Guide to Intelligent Data Analysis: How to Intelligently Make Sense of Real Data

هر سالی که می گذرد شاهد توسعه رایانه های قدرتمندتر، رسانه های ذخیره سازی سریع و ارزان تر، و حتی اتصالات داده با پهنای باند بالاتر است. این باعث می‌شود باور کنیم که اکنون - حداقل در اصل - می‌توانیم هر مشکلی را که با آن روبرو هستیم حل کنیم تا زمانی که فقط داده‌های کافی داشته باشیم.

اما اینطور نیست. اگرچه پایگاه‌های داده بزرگ به ما امکان می‌دهند تا بسیاری از تکه‌های مختلف اطلاعات را بازیابی کنیم و تجمیع‌های ساده را محاسبه کنیم، الگوها و نظم‌های عمومی اغلب شناسایی نمی‌شوند. علاوه بر این، دقیقاً این الگوها، قاعده‌ها و روندها هستند که اغلب با ارزش‌تر هستند.

برای جلوگیری از خطر "غرق شدن در اطلاعات، اما گرسنگی برای دانش" شاخه‌ای از پژوهش که به عنوان تجزیه و تحلیل داده‌ها شناخته می‌شود، باید از آنها جلوگیری کند. پدیدار شد و تعداد قابل توجهی از روش ها و ابزارهای نرم افزاری توسعه یافته است. با این حال، این ابزارها به تنهایی نیستند، بلکه استفاده هوشمندانه از شهود انسان در ترکیب با قدرت محاسباتی، دانش پس زمینه صحیح با مدل سازی به کمک رایانه و بازتاب انتقادی با ساخت مدل خودکار راحت است که منجر به پروژه های تجزیه و تحلیل داده های هوشمند موفق می شود. راهنمای تجزیه و تحلیل هوشمند دادهرویکرد آموزشی عملی برای بسیاری از تکنیک های اصلی تجزیه و تحلیل داده ارائه می دهد، و توضیح می دهد که چگونه از این تکنیک ها برای حل مشکلات تجزیه و تحلیل داده ها استفاده می شود.

موضوعات و ویژگی‌ها:

• خواننده را از طریق فرآیند تجزیه و تحلیل داده‌ها، دنبال کردن مراحل متقابل درک پروژه، درک داده‌ها، آماده‌سازی داده‌ها، مدل‌سازی، و استقرار و نظارت راهنمایی می‌کند
• خواننده را به اطلاعات لازم برای کسب تجربه عملی از موضوعات مورد بحث مجهز می کند
• مروری از اصول آمار کلاسیک را ارائه می دهد که بسیاری از روش های تجزیه و تحلیل داده ها را پشتیبانی و توجیه می کند، و واژه نامه اصطلاحات آماری
• شامل مثال های متعددی با استفاده از R و KNIME به همراه ضمائم معرفی نرم افزار منبع باز
• تصاویر و نمونه هایی به سبک مطالعه موردی را برای پشتیبانی از نمایش آموزشی ادغام می کند
• ابزارها و اطلاعات بیشتر را در وب سایت مرتبط فراهم می کند: http://www.idaguide.net/

این کتاب درسی/مرجع عملی و سیستماتیک برای دانشجویان کارشناسی ارشد و پیشرفته نیز می باشد. خواندن ضروری برای همه حرفه ای هایی که با مشکلات تجزیه و تحلیل داده ها روبرو هستند. علاوه بر این، این کتابی است که باید پس از کاوش در آن مورد استفاده قرار گیرد.

Dr. مایکل آر برتولداستاد Nycomed-پروفسور بیوانفورماتیک و اطلاعات کاوی در دانشگاه کنستانز آلمان. دکتر کریستین بورگلتمحقق اصلی در واحد تحقیقات تحلیل داده های هوشمند و مدل های گرافیکی مرکز اروپایی محاسبات نرم، اسپانیا است. دکتر فرانک هاپنراستاد سیستم های اطلاعاتی در دانشگاه علوم کاربردی اوستفالیا آلمان است. دکتر فرانک کلاوناستاد دپارتمان علوم کامپیوتر و رئیس آزمایشگاه تجزیه و تحلیل داده ها و تشخیص الگو در دانشگاه علوم کاربردی Ostfalia آلمان است. او همچنین رئیس گروه بیوانفورماتیک و آمار در مرکز تحقیقات عفونت هلمهولتز، براونشوایگ، آلمان است.

Each passing year bears witness to the development of ever more powerful computers, increasingly fast and cheap storage media, and even higher bandwidth data connections. This makes it easy to believe that we can now – at least in principle - solve any problem we are faced with so long as we only have enough data.

Yet this is not the case. Although large databases allow us to retrieve many different single pieces of information and to compute simple aggregations, general patterns and regularities often go undetected. Furthermore, it is exactly these patterns, regularities and trends that are often most valuable.

To avoid the danger of "drowning in information, but starving for knowledge" the branch of research known as data analysis has emerged, and a considerable number of methods and software tools have been developed. However, it is not these tools alone but the intelligent application of human intuition in combination with computational power, of sound background knowledge with computer-aided modeling, and of critical reflection with convenient automatic model construction, that results in successful intelligent data analysis projects. Guide to Intelligent Data Analysis provides a hands-on instructional approach to many basic data analysis techniques, and explains how these are used to solve data analysis problems.

Topics and features:

• Guides the reader through the process of data analysis, following the interdependent steps of project understanding, data understanding, data preparation, modeling, and deployment and monitoring
• Equips the reader with the necessary information in order to obtain hands-on experience of the topics under discussion
• Provides a review of the basics of classical statistics that support and justify many data analysis methods, and a glossary of statistical terms
• Includes numerous examples using R and KNIME, together with appendices introducing the open source software
• Integrates illustrations and case-study-style examples to support pedagogical exposition
• Supplies further tools and information at the associated website: http://www.idaguide.net/

This practical and systematic textbook/reference for graduate and advanced undergraduate students is also essential reading for all professionals who face data analysis problems. Moreover, it is a book to be used following one's exploration of it.

Dr. Michael R. Berthold is Nycomed-Professor of Bioinformatics and Information Mining at the University of Konstanz, Germany. Dr. Christian Borgelt is Principal Researcher at the Intelligent Data Analysis and Graphical Models Research Unit of the European Centre for Soft Computing, Spain. Dr. Frank Höppner is Professor of Information Systems at Ostfalia University of Applied Sciences, Germany. Dr. Frank Klawonn is a Professor in the Department of Computer Science and Head of the Data Analysis and Pattern Recognition Laboratory at Ostfalia University of Applied Sciences, Germany. He is also Head of the Bioinformatics and Statistics group at the Helmholtz Centre for Infection Research, Braunschweig, Germany.