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
ویرایش: 1 نویسندگان: R. Uday Kiran, Philippe Fournier-Viger, Jose M. Luna, Jerry Chun-Wei Lin, Anirban Mondal سری: ISBN (شابک) : 9811639639, 9789811639630 ناشر: Springer سال نشر: 2021 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 35 مگابایت
در صورت تبدیل فایل کتاب Periodic Pattern Mining: Theory, Algorithms, and Applications 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 الگوی کاوی دوره ای: نظریه، الگوریتم ها و کاربردها 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.
این کتاب مقدمهای بر حوزه الگوبرداری دورهای ارائه میکند، تکنیکهای پیشرفته را مرور میکند، پیشرفتهای اخیر را مورد بحث قرار میدهد و نرمافزارهای منبع باز را بررسی میکند. الگوی کاوی دوره ای یک حوزه تحقیقاتی محبوب و نوظهور در زمینه داده کاوی است. این شامل کشف تمام الگوهای به طور منظم در پایگاه داده های زمانی است. یکی از کاربردهای اصلی الگوکاوی دوره ای، تجزیه و تحلیل پایگاه های داده تراکنش های مشتری برای کشف مجموعه ای از مواردی است که به طور منظم توسط مشتریان خریداری شده اند. کشف چنین الگوهایی پیامدهای متعددی برای درک رفتار مشتریان دارد. از زمان اولین کار بر روی الگو کاوی دوره ای، مطالعات متعددی منتشر شده و پیشرفت های زیادی در این زمینه حاصل شده است. این کتاب از سه بخش اصلی تشکیل شده است: مقدمه، الگوریتم ها و کاربردها. فصل اول مقدمه ای بر الگو کاوی و الگو کاوی دوره ای است. مفاهیم تناوب، پشتیبانی دورهای، تکنیکهای اکتشاف فضای جستجو، و استراتژیهای هرس مورد بحث قرار میگیرند. انواع اصلی الگوریتمها نیز مانند رشد الگوی متناوب، رشد الگوی دورهای جزئی و الگوریتم استخراج مجموعه آیتمهای دورهای با کاربرد بالا ارائه شدهاند. چالش ها و فرصت های پژوهشی بررسی می شود. فصلهایی که دنبال میشوند، تکنیکهای پیشرفتهای را برای کشف الگوهای دورهای در (1) پایگاههای داده معاملاتی، (2) پایگاههای داده زمانی، (3) پایگاههای داده زمانی کمی، و (4) دادههای بزرگ ارائه میدهند. سپس، تئوری در مورد نمایش مختصر الگوهای دوره ای و همچنین پنهان کردن اطلاعات حساس با استفاده از تکنیک های داده کاوی حفظ حریم خصوصی ارائه می شود. این کتاب با کاربردهای متعدد الگوی کاوی دوره ای، از جمله کاربرد در تجزیه و تحلیل داده های آلودگی هوا، تجزیه و تحلیل داده های تصادفات، و تجزیه و تحلیل تراکم ترافیک به پایان می رسد.
This book provides an introduction to the field of periodic pattern mining, reviews state-of-the-art techniques, discusses recent advances, and reviews open-source software. Periodic pattern mining is a popular and emerging research area in the field of data mining. It involves discovering all regularly occurring patterns in temporal databases. One of the major applications of periodic pattern mining is the analysis of customer transaction databases to discover sets of items that have been regularly purchased by customers. Discovering such patterns has several implications for understanding the behavior of customers. Since the first work on periodic pattern mining, numerous studies have been published and great advances have been made in this field. The book consists of three main parts: introduction, algorithms, and applications. The first chapter is an introduction to pattern mining and periodic pattern mining. The concepts of periodicity, periodic support, search space exploration techniques, and pruning strategies are discussed. The main types of algorithms are also presented such as periodic-frequent pattern growth, partial periodic pattern-growth, and periodic high-utility itemset mining algorithm. Challenges and research opportunities are reviewed. The chapters that follow present state-of-the-art techniques for discovering periodic patterns in (1) transactional databases, (2) temporal databases, (3) quantitative temporal databases, and (4) big data. Then, the theory on concise representations of periodic patterns is presented, as well as hiding sensitive information using privacy-preserving data mining techniques. The book concludes with several applications of periodic pattern mining, including applications in air pollution data analytics, accident data analytics, and traffic congestion analytics.