Uncertainty Handling and Quality Assessment in Data Mining

رشد انفجاری اخیر توانایی ما برای تولید و ذخیره داده ها، نیاز به ابزارهای جدید، مقیاس پذیر و کارآمد را برای تجزیه و تحلیل داده ها ایجاد کرده است. تمرکز اصلی رشته کشف دانش در پایگاه های داده، رفع این نیاز است. کشف دانش در پایگاه‌های داده ترکیب بسیاری از حوزه‌هایی است که با جنبه‌های مختلف مدیریت داده‌ها و تجزیه و تحلیل داده‌ها از جمله پایگاه‌های داده، یادگیری ماشین، آمار و الگوریتم‌ها مرتبط هستند. هر یک از این حوزه ها به بخش متفاوتی از مشکل می پردازد و بر الزامات متفاوتی تأکید می کند. به عنوان مثال، تکنیک های پایگاه داده به گونه ای طراحی شده اند که به طور کارآمد پرس و جوهای نسبتاً ساده را بر روی مقادیر زیادی از داده های ذخیره شده در حافظه خارجی (دیسک) مدیریت کند. تکنیک‌های یادگیری ماشینی معمولاً مجموعه‌های داده‌های کوچک‌تری را در نظر می‌گیرند و تأکید بر دقت یک کار تحلیل نسبتاً پیچیده مانند طبقه‌بندی است. تجزیه و تحلیل مجموعه داده‌های بزرگ نیازمند طراحی ابزارهای جدیدی است که نه تنها تکنیک‌ها را از حوزه‌های مختلف ترکیب و تعمیم می‌دهد، بلکه به طراحی و توسعه تکنیک‌های مقیاس‌پذیر کاملاً جدید نیز نیاز دارد.

The recent explosive growth of our ability to generate and store data has created a need for new, scalable and efficient, tools for data analysis. The main focus of the discipline of knowledge discovery in databases is to address this need. Knowledge discovery in databases is the fusion of many areas that are concerned with different aspects of data handling and data analysis, including databases, machine learning, statistics, and algorithms. Each of these areas addresses a different part of the problem, and places different emphasis on different requirements. For example, database techniques are designed to efficiently handle relatively simple queries on large amounts of data stored in external (disk) storage. Machine learning techniques typically consider smaller data sets, and the emphasis is on the accuracy ofa relatively complicated analysis task such as classification. The analysis of large data sets requires the design of new tools that not only combine and generalize techniques from different areas, but also require the design and development ofaltogether new scalable techniques.