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: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Panos Alexopoulos سری: ISBN (شابک) : 1492054275, 9781492054276 ناشر: O'Reilly Media سال نشر: 2020 تعداد صفحات: 329 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب مدلسازی معنایی برای داده ها: اجتناب از دام ها و شکستن معضلات: هوش مصنوعی، پردازش زبان طبیعی، علم داده، زبانشناسی، تحلیل متریک، هستیشناسی، تحلیل معنایی، ارزیابی مدل، مدلسازی داده، استراتژی، وب معنایی، مدیریت کیفیت، کسب دانش
در صورت تبدیل فایل کتاب Semantic Modeling for Data: Avoiding Pitfalls and Breaking Dilemmas 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 مدلسازی معنایی برای داده ها: اجتناب از دام ها و شکستن معضلات 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.
مدل سازی داده های معنایی چه ارزشی ارائه می دهد؟ بهعنوان یک معمار اطلاعات یا متخصص علوم داده، فرض کنید دادههای مناسب و فنآوری فراوانی برای استخراج طلای کسبوکار دارید، اما همچنان شکست میخورید. دلیل؟ معناشناسی داده های بد در این راهنمای میدانی عملی و جامع، نویسنده پانوس الکسوپولوس شما را به سفری چشمگشا از طریق مدلسازی دادههای معنایی که در دنیای واقعی اعمال میشود، میبرد. شما یاد خواهید گرفت که چگونه به این هنر تسلط پیدا کنید تا قابلیت استفاده و ارزش داده ها و برنامه های خود را افزایش دهید. همچنین برای ساختن نمایشهای معنایی باکیفیت و ارزشمند از دادهها، مشکلاتی را که باید اجتناب کنید و معضلاتی که باید بر آنها غلبه کنید را بررسی خواهید کرد. • مفاهیم، پدیده ها و فرآیندهای اساسی مربوط به مدل سازی داده های معنایی را درک کنید • ویژگی ها و چالش های مدل سازی داده های معنایی را بررسی کنید و بیاموزید که چگونه به طور موثر از چارچوب ها و ابزارهای موجود استفاده کنید. • از اشتباهات و اقدامات بدی که می تواند تلاش های شما را برای ایجاد مدل های داده خوب تضعیف کند، اجتناب کنید • در مورد معضلات توسعه مدل، از جمله بازنمایی، بیان و محتوا، توسعه و حاکمیت بیاموزید • سازماندهی و اجرای ابتکارات داده های معنایی در سازمان خود، مقابله با چالش های فنی، استراتژیک و سازمانی
What value does semantic data modeling offer? As an information architect or data science professional, let’s say you have an abundance of the right data and the technology to extract business gold—but you still fail. The reason? Bad data semantics. In this practical and comprehensive field guide, author Panos Alexopoulos takes you on an eye-opening journey through semantic data modeling as applied in the real world. You’ll learn how to master this craft to increase the usability and value of your data and applications. You’ll also explore the pitfalls to avoid and dilemmas to overcome for building high-quality and valuable semantic representations of data. • Understand the fundamental concepts, phenomena, and processes related to semantic data modeling • Examine the quirks and challenges of semantic data modeling and learn how to effectively leverage the available frameworks and tools • Avoid mistakes and bad practices that can undermine your efforts to create good data models • Learn about model development dilemmas, including representation, expressiveness and content, development, and governance • Organize and execute semantic data initiatives in your organization, tackling technical, strategic, and organizational challenges
Cover Copyright Table of Contents Preface Who Should Read This Book What to Expect in This Book Book Outline Conventions Used in This Book O’Reilly Online Learning How to Contact Us Acknowledgments Part I. The Basics Chapter 1. Mind the Semantic Gap What Is Semantic Data Modeling? Why Develop and Use a Semantic Data Model? Bad Semantic Modeling Avoiding Pitfalls Breaking Dilemmas Chapter 2. Semantic Modeling Elements General Elements Entities Relations Classes and Individuals Attributes Complex Axioms, Constraints, and Rules Terms Common and Standardized Elements Lexicalization and Synonymy Instantiation Meaning Inclusion and Class/Relation Subsumption Part-Whole Relation Semantic Relatedness Mapping and Interlinking Relations Documentation Elements Summary Chapter 3. Semantic and Linguistic Phenomena Ambiguity Uncertainty Vagueness Rigidity, Identity, Unity, and Dependence Symmetry, Inversion, and Transitivity Closed- and Open-World Assumptions Semantic Change Summary Chapter 4. Semantic Model Quality Semantic Accuracy Completeness Consistency Conciseness Timeliness Relevancy Understandability Trustworthiness Availability, Versatility, and Performance Summary Chapter 5. Semantic Model Development Development Activities Setting the Stage Deciding What to Build Building It Ensuring It’s Good Making It Useful Making It Last Vocabularies, Patterns, and Exemplary Models Upper Ontologies Design Patterns Standard and Reference Models Public Models and Datasets Semantic Model Mining Mining Tasks Mining Methods and Techniques Summary Part II. The Pitfalls Chapter 6. Bad Descriptions Giving Bad Names Setting a Bad Example Why We Give Bad Names Pushing for Clarity Omitting Definitions or Giving Bad Ones When You Need Definitions Why We Omit Definitions Good and Bad Definitions How to Get Definitions Ignoring Vagueness Vagueness Is a Feature, Not a Bug Detecting and Describing Vagueness Not Documenting Biases and Assumptions Keeping Your Enemies Close Summary Chapter 7. Bad Semantics Bad Identity Bad Synonymy Bad Mapping and Interlinking Bad Subclasses Instantiation as Subclassing Parts as Subclasses Rigid Classes as Subclasses of Nonrigid Classes Common Superclasses with Incompatible Identity Criteria Bad Axioms and Rules Defining Hierarchical Relations as Transitive Defining Vague Relations as Transitive Complementary Vague Classes Mistaking Inference Rules for Constraints Summary Chapter 8. Bad Model Specification and Knowledge Acquisition Building the Wrong Thing Why We Get Bad Specifications How to Get the Right Specifications Bad Knowledge Acquisition Wrong Knowledge Sources Wrong Acquisition Methods and Tools A Specification and Knowledge Acquisition Story Model Specification and Design Model Population Summary Chapter 9. Bad Quality Management Not Treating Quality as a Set of Trade-Offs Semantic Accuracy Versus Completeness Conciseness Versus Completeness Conciseness Versus Understandability Relevancy to Context A Versus Relevancy to Context B Not Linking Quality to Risks and Benefits Not Using the Right Metrics Using Metrics with Misleading Interpretations Using Metrics with Little Comparative Value Using Metrics with Arbitrary Value Thresholds Using Metrics That Are Actually Quality Signals Measuring Accuracy of Vague Assertions in a Crisp Way Equating Model Quality with Information Extraction Quality Summary Chapter 10. Bad Application Bad Entity Resolution How Entity Resolution Systems Use Semantic Models When Knowledge Can Hurt You How to Select Disambiguation-Useful Knowledge Two Entity Resolution Stories Bad Semantic Relatedness Why Semantic Relatedness Is Tricky How to Get the Semantic Relatedness You Really Need A Semantic Relatedness Story Summary Chapter 11. Bad Strategy and Organization Bad Strategy What Is a Semantic Model Strategy About? Buying into Myths and Half-Truths Underestimating Complexity and Cost Not Knowing or Applying Your Context Bad Organization Not Building the Right Team Underestimating the Need for Governance Summary Part III. The Dilemmas Chapter 12. Representation Dilemmas Class or Individual? To Subclass or Not to Subclass? Attribute or Relation? To Fuzzify or Not to Fuzzify? What Fuzzification Involves When to Fuzzify Two Fuzzification Stories Summary Chapter 13. Expressiveness and Content Dilemmas What Lexicalizations to Have? How Granular to Be? How General to Be? How Negative to Be? How Many Truths to Handle? How Interlinked to Be? Summary Chapter 14. Evolution and Governance Dilemmas Model Evolution Remember or Forget? Run or Pace? React or Prevent? Knowing and Acting on Your Semantic Drift Model Governance Democracy, Oligarchy, or Dictatorship? A Centralization Story Summary Chapter 15. Looking Ahead The Map Is Not the Territory Being an Optimist, but Not Naïve Avoiding Tunnel Vision Avoiding Distracting Debates Semantic Versus Nonsemantic Frameworks Symbolic Knowledge Representation Versus Machine Learning Doing No Harm Bridging the Semantic Gap Bibliography Glossary Index About the Author Colophon