Mining Sequential Patterns from Large Data Sets

تمرکز الگوهای متوالی استخراج از مجموعه داده‌های بزرگ بر الگوبرداری متوالی است. در بسیاری از کاربردها، مانند بیوانفورماتیک، ردیابی دسترسی به وب، گزارش استفاده از سیستم و غیره، داده ها به طور طبیعی به صورت توالی هستند. این اطلاعات برای تجزیه و تحلیل داده های متوالی برای یافتن ویژگی های ذاتی آن بسیار مورد توجه بوده است. نمونه‌هایی از الگوهای متوالی شامل موتیف‌های توالی پروتئین و ردپای ناوبری صفحه وب، اما محدود به آن نیستند.

برای برآوردن نیازهای مختلف کاربردهای مختلف، چندین مدل از الگوهای متوالی پیشنهاد شده‌اند. این جلد نه تنها به بررسی تعاریف ریاضی و حوزه‌های کاربردی این مدل‌ها می‌پردازد، بلکه الگوریتم‌هایی را نیز در مورد چگونگی یافتن مؤثر و کارآمد این الگوها مطالعه می‌کند.

کاوش الگوهای متوالی از مجموعه داده های بزرگ مجموعه ای از ابزارها را برای تحلیل و درک ماهیت توالی های مختلف با شناسایی مدل(های) خاص الگوهای متوالی که مناسب ترین هستند ارائه می دهد. . این کتاب الگوریتم کارآمدی برای استخراج این الگوها ارائه می‌کند.

الگوهای متوالی استخراج از مجموعه‌های داده بزرگ برای مخاطبان حرفه‌ای از محققان و دست اندرکاران صنعت طراحی شده است و همچنین برای تحصیلات تکمیلی مناسب است. دانشجویان سطح علوم کامپیوتر

The focus of Mining Sequential Patterns from Large Data Sets is on sequential pattern mining. In many applications, such as bioinformatics, web access traces, system utilization logs, etc., the data is naturally in the form of sequences. This information has been of great interest for analyzing the sequential data to find its inherent characteristics. Examples of sequential patterns include but are not limited to protein sequence motifs and web page navigation traces.

To meet the different needs of various applications, several models of sequential patterns have been proposed. This volume not only studies the mathematical definitions and application domains of these models, but also the algorithms on how to effectively and efficiently find these patterns.

Mining Sequential Patterns from Large Data Sets provides a set of tools for analyzing and understanding the nature of various sequences by identifying the specific model(s) of sequential patterns that are most suitable. This book provides an efficient algorithm for mining these patterns.

Mining Sequential Patterns from Large Data Sets is designed for a professional audience of researchers and practitioners in industry and also suitable for graduate-level students in computer science.