دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Cai-Nicolas Ziegler (auth.)
سری: Studies in Computational Intelligence 406
ISBN (شابک) : 9783642277139, 9783642277146
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 2012
تعداد صفحات: 207
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب استخراج برای هوش رقابتی استراتژیک: مبانی و کاربردها: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)، داده کاوی و کشف دانش
در صورت تبدیل فایل کتاب Mining for Strategic Competitive Intelligence: Foundations and Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب استخراج برای هوش رقابتی استراتژیک: مبانی و کاربردها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
هدف کتاب درسی ارائه مقدمه ای برای استفاده از روش های خودکار برای جمع آوری هوش رقابتی استراتژیک است. بدین وسیله، متن یک رشته تحقیقاتی تکی را به تنهایی توصیف نمی کند، مانند یادگیری ماشین یا وب کاوی. این بیشتر یک سناریوی کاربردی را در نظر میگیرد، یعنی جمعآوری دانشی که برای سازمانها، بهعنوان مثال، شرکتها و شرکتها از اهمیت بالایی برخوردار است.
برای این منظور، این کتاب ابتدا این محدوده را خلاصه میکند. از رشتههای تحقیقاتی که به پرداختن به این موضوع کمک میکنند، از هر کدام آن دانههایی را استخراج میکنند که بیشترین ارتباط را با دامنه کاربرد تصویر شده دارند. علاوه بر این، این کتاب سیستمهایی را ارائه میکند که از این تکنیکها استفاده عملی میکنند (به عنوان مثال، پلتفرمهای نظارت بر شهرت) و یک رویکرد استقرایی برای تعریف گشتالت استخراج برای هوش استراتژیک رقابتی با انتخاب موارد استفاده اصلی که ارائه میشوند، اتخاذ میکند. بیرون آمده و به تفصیل توضیح داده شده است. این قطعات بخش اول کتاب را تشکیل میدهند.
هر یک از این موارد استفاده توسط تعدادی مقاله تحقیقاتی پشتیبانی میشود که برخی از آنها در نسخه اصلی آن در قسمت دوم تک نگاری موجود است.
The textbook at hand aims to provide an introduction to the use of automated methods for gathering strategic competitive intelligence. Hereby, the text does not describe a singleton research discipline in its own right, such as machine learning or Web mining. It rather contemplates an application scenario, namely the gathering of knowledge that appears of paramount importance to organizations, e.g., companies and corporations.
To this end, the book first summarizes the range of research disciplines that contribute to addressing the issue, extracting from each those grains that are of utmost relevance to the depicted application scope. Moreover, the book presents systems that put these techniques to practical use (e.g., reputation monitoring platforms) and takes an inductive approach to define the gestalt of mining for competitive strategic intelligence by selecting major use cases that are laid out and explained in detail. These pieces form the first part of the book.
Each of those use cases is backed by a number of research papers, some of which are contained in its largely original version in the second part of the monograph.
Front Matter....Pages 1-14
Introduction....Pages 1-4
Front Matter....Pages 5-5
Research Foundations....Pages 7-49
Competitive Intelligence Capturing Systems....Pages 51-62
Research Topics and Applications....Pages 63-93
Conclusion....Pages 95-97
Back Matter....Pages 99-105
Front Matter....Pages 107-107
Towards Automated Reputation and Brand Monitoring on the Web....Pages 109-119
Mining and Exploring Customer Feedback Using Language Models and Treemaps....Pages 121-134
Content Extraction from News Pages Using Particle Swarm Optimization....Pages 135-149
Distilling Informative Content from HTML News Pages Using Machine Learning Classifiers....Pages 151-166
Automatic Computation of Semantic Proximity Using Taxonomic Knowledge....Pages 167-187
Leveraging Sources of Collective Wisdom on the Web for Discovering Technology Synergies....Pages 189-206