Mobile Data Mining

ویرایش: [1st ed.] 
نویسندگان: Yuan Yao,  Xing Su,  Hanghang Tong  
سری: SpringerBriefs in Computer Science 
ISBN (شابک) : 9783030021009, 9783030021016 
ناشر: Springer International Publishing 
سال نشر: 2018 
تعداد صفحات: IX, 58
[64] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 35,000



این SpringerBrief یک چرخه عمر معمولی از برنامه های داده کاوی تلفن همراه را ارائه می دهد، از جمله:

• گرفتن و پردازش داده ها که تعیین می‌کند چه داده‌هایی را جمع‌آوری کنیم، چگونه این داده‌ها را جمع‌آوری کنیم، و چگونه نویز در داده‌ها را بر اساس حسگرهای گوشی‌های هوشمند کاهش دهیم
  
• مهندسی ویژگی‌هایی که ویژگی‌ها را استخراج و انتخاب می‌کند تا به عنوان ورودی الگوریتم‌ها عمل کنند. بر اساس داده های جمع آوری شده و پردازش شده
  
• مدل و طراحی الگوریتم

به ویژه، این خلاصه بر جنبه طراحی مدل و الگوریتم تمرکز دارد و سه نیاز چالش برانگیز موبایل را توضیح می دهد. برنامه های کاربردی داده کاوی: صرفه جویی در انرژی، شخصی سازی، و در زمان واقعی

صرفه جویی در انرژی یک نیاز اساسی برنامه های کاربردی تلفن همراه است، به دلیل ظرفیت باتری محدود تلفن های هوشمند. نویسندگان شیوه‌های موجود در سطح روش‌شناسی (به عنوان مثال با طراحی مدل‌های سلسله مراتبی) برای صرفه‌جویی در انرژی را بررسی می‌کنند. یکی دیگر از نیازهای اساسی اپلیکیشن های موبایل شخصی سازی است. بیشتر روش‌های موجود تمایل به آموزش مدل‌های عمومی برای همه کاربران دارند، اما نویسندگان درمان‌های شخصی‌سازی‌شده موجود را برای برنامه‌های تلفن همراه ارائه می‌کنند، زیرا ممکن است رفتارها از یک کاربر به کاربر دیگر در بسیاری از برنامه‌های کاربردی تلفن همراه بسیار متفاوت باشد. سومین شرط بلادرنگ است. به این معنی که برنامه تلفن همراه باید پاسخ‌ها را به صورت بلادرنگ بازگرداند و در عین حال اثربخشی و کارایی را متعادل کند.

این SpringerBrief محققان و متخصصان داده‌کاوی و یادگیری ماشین را هدف قرار می‌دهد که در این زمینه‌های مرتبط کار می‌کنند. دانشجویان سطح پیشرفته ای که در رشته علوم کامپیوتر و مهندسی برق تحصیل می کنند نیز این مختصر را به عنوان یک راهنمای مطالعه مفید خواهند یافت.

This SpringerBrief presents a typical life-cycle of mobile data mining applications, including:

• data capturing and processing which determines what data to collect, how to collect these data, and how to reduce the noise in the data based on smartphone sensors
  
• feature engineering which extracts and selects features to serve as the input of algorithms based on the collected and processed data
  
• model and algorithm design

In particular, this brief concentrates on the model and algorithm design aspect, and explains three challenging requirements of mobile data mining applications: energy-saving, personalization, and real-time

Energy saving is a fundamental requirement of mobile applications, due to the limited battery capacity of smartphones. The authors explore the existing practices in the methodology level (e.g. by designing hierarchical models) for saving energy. Another fundamental requirement of mobile applications is personalization. Most of the existing methods tend to train generic models for all users, but the authors provide existing personalized treatments for mobile applications, as the behaviors may differ greatly from one user to another in many mobile applications. The third requirement is real-time. That is, the mobile application should return responses in a real-time manner, meanwhile balancing effectiveness and efficiency.

This SpringerBrief targets data mining and machine learning researchers and practitioners working in these related fields. Advanced level students studying computer science and electrical engineering will also find this brief useful as a study guide.