Etki alanı odaklı veri madenciliği - Domain driven data mining - Wikipedia

Etki alanı odaklı veri madenciliği bir veri madenciliği eyleme dönüştürülebilir bilgileri keşfetmek ve karmaşık verilerden eyleme dönüştürülebilir içgörüler sunmak için metodoloji ve davranışlar karmaşık bir ortamda. Eyleme dönüştürülebilir bilgi keşfi için ilgili temelleri, çerçeveleri, algoritmaları, modelleri, mimarileri ve değerlendirme sistemlerini inceler.[1][2]

Veriye dayalı desen madenciliği ve veritabanlarında bilgi keşfi [3] Keşfedilen çıktıların çoğu zaman eyleme dönüştürülemeyeceği zorluklarla karşı karşıya. Çağında Büyük veri, karmaşık verilerden ve ortamdan eyleme dönüştürülebilir içgörülerin nasıl etkili bir şekilde keşfedileceği çok önemlidir. Önemli bir paradigma kayması, veriye dayalı model madenciliğinden etki alanına dayalı eyleme dönüştürülebilir bilgi keşfine doğru evrimdir.[4][5][6] Etki alanı güdümlü veri madenciliği, eyleme geçirilebilir bilgi ve eyleme dönüştürülebilir içgörülerin keşfedilip sunulmasını sağlamaktır.

Eyleme dönüştürülebilir bilgi

Eyleme dönüştürülebilir bilgi, bilgi bilgi verebilir karar verme eylemler ve karar alma eylemlerine dönüştürülebilir.[5][7] Uygulanabilirliği veri madenciliği ve makine öğrenme Bilginin işlenebilirliği olarak da adlandırılan bulgular, hem teknik (istatistiksel) hem de iş odaklı değerlendirme ölçütlerinin veya amaç açısından ölçütlerin tatminini ifade eder. [8][9] ve / veya öznel [10] perspektifler.

Eyleme dönüştürülebilir içgörü

Eyleme dönüştürülebilir içgörü, nesnelerin veya nesnelerin ve bunların özelliklerinin, olaylarının, hikayelerinin, oluşumlarının, modellerinin, istisnalarının ve veri dünyasında gizlenmiş evrim ve dinamiklerin doğru ve derinlemesine anlaşılmasını ve içgörülerle ilgili karar alma eylemlerini sağlar. Uygulanabilir bilgi, eyleme geçirilebilir içgörüleri açığa çıkarabilir.

Referanslar

  1. ^ Cao, L .; Zhao, Y .; Evet.; Zhang, C. (2010). Etki Alanına Dayalı Veri Madenciliği. Springer. ISBN  978-1-4419-5737-5.
  2. ^ Zhang, C .; Yu, P. S .; Bell, D. (Haziran 2010). "Etki Alanına Dayalı Veri Madenciliği Üzerine IEEE TKDE Özel Sayısı". Bilgi ve Veri Mühendisliğinde IEEE İşlemleri. 22 (6): 753–754. doi:10.1109 / TKDE.2010.74.
  3. ^ Fayyad, U .; Piatetsky-Shapiro, G .; Smyth, P. (1996). "Veri Madenciliğinden Veritabanlarında Bilgi Keşfine". AI Dergisi. 17 (3): 37–54.
  4. ^ Fayyad, U .; et al. (2003). "KDD-03 Panelinden Özet — Veri Madenciliği: Önümüzdeki 10 Yıl". ACM SIGKDD Explorations Bülteni. 5 (2): 191–196. doi:10.1145/980972.981004.
  5. ^ a b Cao, L .; Zhang, C .; Yang, Q .; Bell, D .; Ulachos, M .; Taneri, B .; Keogh, E .; Evet.; Zhong, N .; et al. (2007). "Etki Alanına Dayalı, Eyleme Geçirilebilir Bilgi Keşfi". IEEE Akıllı Sistemler. 22 (4): 78–89. doi:10.1109 / MIS.2007.67.
  6. ^ Fayyad, U .; Smyth, P. (1996). "Veri Madenciliğinden Bilgi Keşfine: Genel Bir Bakış". Bilgi Keşfi ve Veri Madenciliğindeki Gelişmeler, (U. Fayyad ve P. Smyth, Eds.): 1–34.
  7. ^ Yang, Q .; et al. (2007). "Karar Ağaçlarından Uygulanabilir Bilginin Çıkarılması". IEEE Trans. Bilgi ve Veri Mühendisliği. 19 (1): 43–56. doi:10.1109 / TKDE.2007.250584.
  8. ^ Hilderman, R .; Hamilton, H. (2000). "Veri Madenciliği Sistemlerinde Hedef İlginçlik Ölçülerinin Uygulanması". Pkdd2000: 432–439.
  9. ^ Freitas, A. (1998). "Kural Şaşırtmacılığının Nesnel Ölçüleri Üzerine". Proc. Avrupa Konf. Veritabanlarında Bilgi Keşfi İlkeleri ve Uygulaması: 1–9.
  10. ^ Liu, B. (2000). "İlişkilendirme Kurallarının Öznel İlgi Alanının İncelenmesi". IEEE Akıllı Sistemler. 15 (5): 47–55. doi:10.1109/5254.889106.