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
دسته بندی: سازمان و پردازش داده ها ویرایش: نویسندگان: A.J. Knobbe سری: Frontiers in Artificial Intelligence and Applications 145 ISBN (شابک) : 9781586036614, 1586036610 ناشر: IOS Press سال نشر: 2006 تعداد صفحات: 129 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Multi-Relational Data Mining 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 داده کاوی چند رابطه ای 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.
با افزایش امکانات در جامعه مدرن برای شرکت ها و موسسات برای جمع آوری داده ها ارزان و کارآمد، موضوع داده کاوی اهمیت روزافزونی پیدا کرده است. این علاقه الهام بخش یک زمینه تحقیقاتی به سرعت در حال رشد با پیشرفت های هم در سطح نظری و هم در سطح عملی با در دسترس بودن طیف وسیعی از ابزارهای تجاری است. متأسفانه، کاربرد گسترده این فناوری توسط یک فرض مهم در رویکردهای داده کاوی جریان اصلی محدود شده است. این فرض - همه دادهها در یک جدول قرار میگیرند یا میتوان آنها را در یک جدول قرار داد - از استفاده از این ابزارهای دادهکاوی در حوزههای مهم خاصی جلوگیری میکند یا نیاز به ماساژ و تغییر قابلتوجه دادهها به عنوان یک مرحله پیش پردازش دارد. این محدودیت باعث علاقه نسبتاً اخیر به پارادایمهای داده کاوی غنیتر شده است که به دادههای ساختاریافته برخلاف نمایش مسطح سنتی اجازه میدهند. این نشریه به کاربردهای مختلف داده کاوی با داده کاوی چند رابطه ای (MRDM)، رویکرد داده کاوی ساختاریافته، به عنوان موضوع اصلی این کتاب می پردازد.
With the increased possibilities in modern society for companies and institutions to gather data cheaply and efficiently, the subject of Data Mining has become of increasing importance. This interest has inspired a rapidly maturing research field with developments both on a theoretical, as well as on a practical level with the availability of a range of commercial tools. Unfortunately, the widespread application of this technology has been limited by an important assumption in mainstream Data Mining approaches. This assumption - all data resides, or can be made to reside, in a single table - prevents the use of these Data Mining tools in certain important domains, or requires considerable massaging and altering of the data as a pre-processing step. This limitation has spawned a relatively recent interest in richer Data Mining paradigms that do allow structured data as opposed to the traditional flat representation. This publication goes into the different uses of Data Mining, with Multi-Relational Data Mining (MRDM), the approach to Structured Data Mining, as the main subject of this book.
Title page......Page 2
Contents......Page 6
Acknowledgements......Page 10
Introduction......Page 12
Data Mining......Page 13
Propositional Data Mining......Page 14
Structured Data Mining......Page 15
Outline of this text......Page 17
Structured Data......Page 20
Search......Page 21
Structured Data Mining Paradigms......Page 23
A Comparison......Page 24
What's in a Name?......Page 27
Structured Data in Relational Form......Page 28
Multi-Relational Data Models......Page 29
Tables and their Roles......Page 31
Directions......Page 33
Local Structure......Page 36
Pattern language......Page 37
Refinements......Page 38
Characteristics of Multi-Relational Patterns......Page 40
Numeric Data......Page 42
Discretisation......Page 43
Rule Discovery......Page 46
Implementation......Page 48
Experiments......Page 50
Related Work......Page 53
Multi-Relational Decision Tree Induction......Page 56
Extended Selection Graphs......Page 57
Refinements......Page 59
Multi-Relational Decision Trees......Page 61
Look-Ahead......Page 62
MRDTL......Page 63
Mr-SMOTI......Page 64
Aggregate Functions......Page 66
Aggregation......Page 67
Aggregate Functions & Association-width......Page 69
Aggregate Functions & Propositionalisation......Page 72
Propositionalisation......Page 73
The RollUp Algorithm......Page 74
Musk......Page 75
Mutagenesis......Page 76
Propositionalisation......Page 77
Related Work......Page 78
Aggregate Functions & Rule Discovery......Page 80
Generalised Selection Graphs......Page 81
Refinement Operator......Page 82
Mutagenesis......Page 84
Financial......Page 85
An MRDM Architecture......Page 86
Data Mining Primitives......Page 87
Association Refinement......Page 88
Nominal Condition Refinement......Page 89
Numeric Condition Refinement......Page 90
Extended Selection Graphs......Page 91
Nominal Condition Refinement......Page 92
Numeric Condition Refinement......Page 94
AggregateCrossTable......Page 95
An MRDM Project Blueprint......Page 96
Data Understanding......Page 99
Data Preparation......Page 100
An MRDM Pre-processing Consultant......Page 101
Denormalise......Page 102
Reverse Pivot......Page 103
Create Indexes......Page 105
Contributions......Page 108
Validity of MRDM Approach......Page 109
Overview of Algorithms......Page 110
Conclusion......Page 111
Pattern Languages......Page 112
Improved Search......Page 114
Appendix A: MRML......Page 118
Bibliography......Page 120
Index......Page 126