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: Huan Liu, Hiroshi Motoda (auth.), Huan Liu, Hiroshi Motoda (eds.) سری: The Springer International Series in Engineering and Computer Science 608 ISBN (شابک) : 9781441948618, 9781475733594 ناشر: Springer US سال نشر: 2001 تعداد صفحات: 432 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 مگابایت
کلمات کلیدی مربوط به کتاب انتخاب و ساخت نمونه برای داده کاوی: ساختارهای داده، رمز شناسی و نظریه اطلاعات، ذخیره و بازیابی اطلاعات، هوش مصنوعی (شامل رباتیک)، آمار، عمومی
در صورت تبدیل فایل کتاب Instance Selection and Construction for Data Mining 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 انتخاب و ساخت نمونه برای داده کاوی 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.
توانایی تجزیه و تحلیل و درک مجموعههای عظیم دادهها بسیار
عقبتر از توانایی جمعآوری و ذخیره دادهها است. برای رویارویی
با این چالش، کشف دانش و داده کاوی (KDD) به عنوان یک زمینه در
حال ظهور به سرعت در حال رشد است. با این حال، مهم نیست که
رایانهها چقدر قدرتمند هستند یا در آینده خواهند بود، محققان و
متخصصان KDD باید نحوه مدیریت دادههای در حال رشد را در نظر
بگیرند که از قضا به دلیل استفاده گسترده از رایانهها و سهولت
جمعآوری دادهها با رایانه است. بسیاری از رویکردهای مختلف
برای رسیدگی به مسئله انفجار داده ها، مانند افزایش مقیاس
الگوریتم و کاهش داده، استفاده شده است. نمونه، مثال یا انتخاب
تاپلی مربوط به روشها یا الگوریتمهایی است که بخشی از دادهها
را انتخاب یا جستجو میکنند که میتواند یک وظیفه KDD را انجام
دهد، گویی از کل دادهها استفاده میشود. انتخاب نمونه مستقیماً
با کاهش داده ها مرتبط است و در بسیاری از برنامه های کاربردی
KDD به دلیل نیاز به کارایی پردازش و/یا کارایی ذخیره سازی
اهمیت فزاینده ای پیدا می کند.
یکی از ابزارهای اصلی انتخاب نمونه، نمونه گیری است که به موجب
آن یک نمونه برای آزمایش و تجزیه و تحلیل انتخاب می شود و
تصادفی بودن یک عنصر کلیدی در فرآیند است. انتخاب نمونه روش
هایی را که به جستجو نیاز دارند نیز پوشش می دهد. نمونه هایی را
می توان در تخمین چگالی (یافتن نمونه های نماینده - نقاط داده -
برای یک خوشه) یافت. شکار مرزی (یافتن موارد حیاتی برای تشکیل
مرزها برای متمایز کردن نقاط داده کلاس های مختلف). و له کردن
داده ها (تولید داده های وزنی جدید با آمار کافی معادل). سایر
مسائل مهم مرتبط با انتخاب نمونه به دقت ناخواسته، تمرکز،
جابجایی مفهومی، حذف نویز/خارج، هموارسازی دادهها و غیره گسترش
مییابد.
انتخاب نمونه و ساخت برای داده کاوی محققان و متخصصان
را گرد هم میآورد. برای گزارش پیشرفتها و برنامههای جدید، به
اشتراک گذاشتن تجربیات سخت آموخته شده به منظور اجتناب از
مشکلات مشابه، و روشن کردن پیشرفت آینده انتخاب نمونه. این جلد
به عنوان یک مرجع جامع برای دانشجویان فارغ التحصیل، پزشکان و
محققان در KDD عمل می کند.
The ability to analyze and understand massive data sets lags
far behind the ability to gather and store the data. To meet
this challenge, knowledge discovery and data mining (KDD) is
growing rapidly as an emerging field. However, no matter how
powerful computers are now or will be in the future, KDD
researchers and practitioners must consider how to manage
ever-growing data which is, ironically, due to the extensive
use of computers and ease of data collection with computers.
Many different approaches have been used to address the data
explosion issue, such as algorithm scale-up and data
reduction. Instance, example, or tuple selection pertains to
methods or algorithms that select or search for a
representative portion of data that can fulfill a KDD task as
if the whole data is used. Instance selection is directly
related to data reduction and becomes increasingly important
in many KDD applications due to the need for processing
efficiency and/or storage efficiency.
One of the major means of instance selection is sampling
whereby a sample is selected for testing and analysis, and
randomness is a key element in the process. Instance
selection also covers methods that require search. Examples
can be found in density estimation (finding the
representative instances - data points - for a cluster);
boundary hunting (finding the critical instances to form
boundaries to differentiate data points of different
classes); and data squashing (producing weighted new data
with equivalent sufficient statistics). Other important
issues related to instance selection extend to unwanted
precision, focusing, concept drifts, noise/outlier removal,
data smoothing, etc.
Instance Selection and Construction for Data Mining
brings researchers and practitioners together to report new
developments and applications, to share hard-learned
experiences in order to avoid similar pitfalls, and to shed
light on the future development of instance selection. This
volume serves as a comprehensive reference for graduate
students, practitioners and researchers in KDD.
Front Matter....Pages i-xxv
Front Matter....Pages 1-1
Data Reduction via Instance Selection....Pages 3-20
Sampling: Knowing Whole from Its Part....Pages 21-38
A Unifying View on Instance Selection....Pages 39-56
Front Matter....Pages 57-57
Competence Guided Instance Selection for Case-Based Reasoning....Pages 59-76
Identifying Competence-Critical Instances for Instance-Based Learners....Pages 77-94
Genetic-Algorithm-Based Instance and Feature Selection....Pages 95-112
The Landmark Model: An Instance Selection Method for Time Series Data....Pages 113-130
Front Matter....Pages 131-131
Adaptive Sampling Methods for Scaling up Knowledge Discovery Algorithms....Pages 133-150
Progressive Sampling....Pages 151-170
Sampling Strategy for Building Decision Trees from Very Large Databases Comprising Many Continuous Attributes....Pages 171-188
Incremental Classification Using Tree-Based Sampling for Large Data....Pages 189-206
Front Matter....Pages 207-207
Instance Construction via Likelihood-Based Data Squashing....Pages 209-226
Learning via Prototype Generation and Filtering....Pages 227-244
Instance Selection Based on Hypertuples....Pages 245-262
KBIS: Using Domain Knowledge to Guide Instance Selection....Pages 263-279
Front Matter....Pages 281-281
Instance Sampling for Boosted and Standalone Nearest Neighbor Classifiers....Pages 283-300
Prototype Selection Using Boosted Nearest-Neighbors....Pages 301-318
DAGGER: Instance Selection for Combining Multiple Models Learnt from Disjoint Subsets....Pages 319-336
Front Matter....Pages 337-337
Using Genetic Algorithms for Training Data Selection in RBF Networks....Pages 339-356
An Active Learning Formulation for Instance Selection with Applications to Object Detection....Pages 357-374
Front Matter....Pages 337-337
Filtering Noisy Instances and Outliers....Pages 375-394
Instance Selection Based on Support Vector Machine for Knowledge Discovery in Medical Database....Pages 395-409
Back Matter....Pages 410-416