Outlier Detection: Techniques and Applications: A Data Mining Perspective

این کتاب، با تکیه بر ادبیات اخیر، روش‌های متعددی را برای تشخیص نقاط پرت برجسته می‌کند و نحوه بکارگیری آن‌ها را برای حل چندین مسئله جالب زندگی واقعی توضیح می‌دهد. تشخیص اشیایی که از هنجار در یک مجموعه داده انحراف دارند، به دلیل اهمیت آن در بسیاری از کاربردهای معاصر، یک کار ضروری در داده کاوی است. به طور خاص، با توجه به پیشرفت‌های اخیر در زمینه فناوری اطلاعات و ارتباطات و امنیت، شناسایی تقلب در معاملات تجارت الکترونیک و کشف ناهنجاری‌ها در داده‌های شبکه به وظایف برجسته‌ای تبدیل شده است. بر این اساس، این کتاب روی رویکردهای الگوریتمی خاص مانند تجزیه و تحلیل مبتنی بر جامعه شبکه‌ها و توصیف نقاط پرت زمانی موجود در شبکه‌های پویا، روشن می‌شود. این منبع با ارزشی برای محققان جوانی که در زمینه داده کاوی کار می کنند ارائه می دهد و به آنها کمک می کند تا عمق فنی مشکل تشخیص بیرونی را درک کنند و راه حل های نوآورانه ای برای مقابله با چالش های مرتبط ابداع کنند.

This book, drawing on recent literature, highlights several methodologies for the detection of outliers and explains how to apply them to solve several interesting real-life problems. The detection of objects that deviate from the norm in a data set is an essential task in data mining due to its significance in many contemporary applications. More specifically, the detection of fraud in e-commerce transactions and discovering anomalies in network data have become prominent tasks, given recent developments in the field of information and communication technologies and security. Accordingly, the book sheds light on specific state-of-the-art algorithmic approaches such as the community-based analysis of networks and characterization of temporal outliers present in dynamic networks. It offers a valuable resource for young researchers working in data mining, helping them understand the technical depth of the outlier detection problem and devise innovative solutions to address related challenges.