Dolování dat na základě domén - Domain driven data mining - Wikipedia
 | Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto problémech na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)
|
Dolování dat na základě domén je dolování dat metodika pro objevování použitelných znalostí a poskytování užitečných poznatků ze složitých dat a chování ve složitém prostředí. Studuje odpovídající základy, rámce, algoritmy, modely, architektury a vyhodnocovací systémy pro zjišťování použitelných znalostí.[1][2]
Data-driven pattern mining a objevování znalostí v databázích [3] čelit takovým výzvám, že objevené výstupy často nejsou žalovatelné. V éře velká data, jak je důležité efektivně objevit užitečné informace ze složitých dat a prostředí, je zásadní. Významným posunem paradigmatu je evoluce od dolování dat založeného na dolování dat po objevování poznatků na základě domény.[4][5][6] Dolování na základě domén je umožnit zjišťování a poskytování užitečných znalostí a použitelných poznatků.
Věrohodné znalosti
Aktivní znalosti se vztahují k znalost to může informovat rozhodování akce a převedeny na rozhodovací akce.[5][7] Činnost společnosti dolování dat a strojové učení Zjištění, nazývaná také znalostní akčnost, se vztahují k uspokojení jak technických (statistických), tak obchodně orientovaných metrik nebo opatření hodnocení z hlediska objektivních [8][9] a / nebo subjektivní [10] perspektivy.
Akční pohled
Akční přehled umožňuje přesné a podrobné porozumění věcem nebo objektům a jejich charakteristikám, událostem, příběhům, událostem, vzorům, výjimkám a evoluci a dynamice ukryté ve světě dat a odpovídajícím rozhodovacím akcím nad rámec těchto poznatků. Aktivní znalosti mohou odhalit použitelné postřehy.
Reference
- ^ Cao, L .; Zhao, Y .; Yu, P .; Zhang, C. (2010). Těžba dat na základě domén. Springer. ISBN 978-1-4419-5737-5.
- ^ Zhang, C .; Yu, P. S .; Bell, D. (červen 2010). „Zvláštní vydání IEEE TKDE o dolování dat na základě domén“. Transakce IEEE na znalostní a datové inženýrství. 22 (6): 753–754. doi:10.1109 / TKDE.2010.74.
- ^ Fayyad, U .; Piatetsky-Shapiro, G .; Smyth, P. (1996). "Od dolování dat k zjišťování znalostí v databázích". AI Magazine. 17 (3): 37–54.
- ^ Fayyad, U .; et al. (2003). „Shrnutí z panelu KDD-03 - dolování dat: příštích 10 let“. Informační bulletin průzkumů ACM SIGKDD. 5 (2): 191–196. doi:10.1145/980972.981004.
- ^ A b Cao, L .; Zhang, C .; Yang, Q .; Bell, D .; Vlachos, M .; Taneri, B .; Keogh, E .; Yu, P .; Zhong, N .; et al. (2007). „Domain-Driven, Actionable Knowledge Discovery“. Inteligentní systémy IEEE. 22 (4): 78–89. doi:10.1109 / MIS.2007.67.
- ^ Fayyad, U .; Smyth, P. (1996). "Od dolování dat k objevování znalostí: přehled". Pokroky v objevování znalostí a dolování dat (U. Fayyad a P. Smyth, ed.): 1–34.
- ^ Yang, Q .; et al. (2007). "Získání využitelných znalostí z rozhodovacích stromů". IEEE Trans. Znalostní a datové inženýrství. 19 (1): 43–56. doi:10.1109 / TKDE.2007.250584.
- ^ Hilderman, R .; Hamilton, H. (2000). "Uplatnění opatření objektivní zajímavosti v systémech dolování dat". Pkdd2000: 432–439.
- ^ Freitas, A. (1998). „O objektivních opatřeních překvapení pravidel“. Proc. Evropská konf. Principy a praxe získávání znalostí v databázích: 1–9.
- ^ Liu, B. (2000). "Analýza subjektivní zajímavosti pravidel asociace". Inteligentní systémy IEEE. 15 (5): 47–55. doi:10.1109/5254.889106.