Transparent Data Mining for Big and Small Data

این کتاب بر راه حل های داده کاوی جدید و نوظهور متمرکز است که سطح شفافیت بیشتری نسبت به راه حل های موجود ارائه می دهد. راه حل های داده کاوی شفاف با ویژگی های مطلوب (به عنوان مثال مؤثر، کاملاً خودکار، مقیاس پذیر) در کتاب پوشش داده شده است. یافته‌های تجربی راه‌حل‌های شفاف برای متخصصان حوزه‌های مختلف طراحی شده‌اند و معیارهای تجربی برای ارزیابی شفافیت الگوریتمی ارائه شده‌اند. این کتاب همچنین اثرات اجتماعی جعبه سیاه در مقابل رویکردهای شفاف برای داده کاوی و همچنین موارد استفاده در دنیای واقعی برای این رویکردها را مورد بحث قرار می‌دهد. از آنجایی که الگوریتم‌ها به طور فزاینده‌ای از جنبه‌های مختلف زندگی مدرن پشتیبانی می‌کنند، سطح بیشتری از شفافیت به شدت مورد نیاز است. زیرا باید از تبعیض و تعصب اجتناب شود. با مشارکت متخصصان حوزه، این کتاب مروری بر یک حوزه نوظهور داده کاوی که پیامدهای اجتماعی عمیقی دارد، ارائه می‌کند و زمینه فنی را برای خوانندگان فراهم می‌کند تا در این زمینه مشارکت کنند یا از رویکردهای موجود برای استفاده عملی استفاده کنند.

This book focuses on new and emerging data mining solutions that offer a greater level of transparency than existing solutions. Transparent data mining solutions with desirable properties (e.g. effective, fully automatic, scalable) are covered in the book. Experimental findings of transparent solutions are tailored to different domain experts, and experimental metrics for evaluating algorithmic transparency are presented. The book also discusses societal effects of black box vs. transparent approaches to data mining, as well as real-world use cases for these approaches.As algorithms increasingly support different aspects of modern life, a greater level of transparency is sorely needed, not least because discrimination and biases have to be avoided. With contributions from domain experts, this book provides an overview of an emerging area of data mining that has profound societal consequences, and provides the technical background to for readers to contribute to the field or to put existing approaches to practical use.