Mining Very Large Databases with Parallel Processing

کاوی پایگاه های داده بسیار بزرگ با پردازش موازی به مشکل داده کاوی در مقیاس بزرگ می پردازد. این یک متن میان رشته‌ای است که پیشرفت‌ها را در ادغام سه حوزه علوم رایانه، یعنی تکنیک‌های داده‌کاوی «هوشمند» (مبتنی بر یادگیری ماشین)، پایگاه‌های داده رابطه‌ای و پردازش موازی توصیف می‌کند. ایده اصلی استفاده از مفاهیم و تکنیک های دو حوزه اخیر - به ویژه پردازش موازی - برای سرعت بخشیدن و افزایش مقیاس الگوریتم های داده کاوی است.
کتاب به سه بخش تقسیم شده است. بخش اول مروری جامع از تکنیک‌های داده کاوی هوشمند مانند القای قوانین، یادگیری مبتنی بر نمونه، شبکه‌های عصبی و الگوریتم‌های ژنتیک ارائه می‌کند. به همین ترتیب، بخش دوم یک بررسی جامع از پردازش موازی و پایگاه‌های داده موازی ارائه می‌کند. هر یک از این بخش ها شامل یک نمای کلی از ابزارهای پیشرفته و تجاری است. بخش سوم به کاربرد پردازش موازی در داده کاوی می پردازد. تاکید بر یافتن راه حل های عمومی و مقرون به صرفه برای حجم داده های واقعی است. دو محیط محاسباتی موازی مورد بحث قرار می‌گیرند، اولی استفاده از DBMS با قدرت تجاری را حذف می‌کند، و دومی با استفاده از سرورهای DBMS موازی.
فرض بر این است که خواننده تقریباً دانشی معادل درجه یک (BSc) در علوم دقیق دارد، به طوری که با مفاهیم اولیه آمار و علوم کامپیوتر آشنایی معقولی دارد.
مخاطب اصلی پایگاه‌های داده بسیار بزرگ با پردازش موازی استخراج داده‌ها، داده‌کاوی‌های صنعت و به‌طور کلی متخصصان هستند که می‌خواهند از تکنیک‌های داده کاوی هوشمند در مقادیر زیاد استفاده کنند. از داده ها این کتاب همچنین برای محققان دانشگاهی و دانشجویان تحصیلات تکمیلی، به ویژه محققان پایگاه داده، علاقه‌مند به برنامه‌های کاربردی پایگاه داده‌های پیشرفته و هوشمند، و محققان هوش مصنوعی علاقه‌مند به کاربردهای صنعتی و دنیای واقعی یادگیری ماشین، جالب خواهد بود.

Mining Very Large Databases with Parallel Processing addresses the problem of large-scale data mining. It is an interdisciplinary text, describing advances in the integration of three computer science areas, namely `intelligent' (machine learning-based) data mining techniques, relational databases and parallel processing. The basic idea is to use concepts and techniques of the latter two areas - particularly parallel processing - to speed up and scale up data mining algorithms.
The book is divided into three parts. The first part presents a comprehensive review of intelligent data mining techniques such as rule induction, instance-based learning, neural networks and genetic algorithms. Likewise, the second part presents a comprehensive review of parallel processing and parallel databases. Each of these parts includes an overview of commercially-available, state-of-the-art tools. The third part deals with the application of parallel processing to data mining. The emphasis is on finding generic, cost-effective solutions for realistic data volumes. Two parallel computational environments are discussed, the first excluding the use of commercial-strength DBMS, and the second using parallel DBMS servers.
It is assumed that the reader has a knowledge roughly equivalent to a first degree (BSc) in accurate sciences, so that (s)he is reasonably familiar with basic concepts of statistics and computer science.
The primary audience for Mining Very Large Databases with ParallelProcessing is industry data miners and practitioners in general, who would like to apply intelligent data mining techniques to large amounts of data. The book will also be of interest to academic researchers and postgraduate students, particularly database researchers, interested in advanced, intelligent database applications, and artificial intelligence researchers interested in industrial, real-world applications of machine learning.