Интеллектуальный анализ данных на основе домена
 | В этой статье есть несколько проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалять эти шаблонные сообщения )
|
Интеллектуальный анализ данных на основе предметной области — это методология интеллектуального анализа данных, позволяющая обнаруживать полезные знания и предоставлять действенные идеи на основе сложных данных и поведения в сложной среде. Он изучает соответствующие основы, структуры, алгоритмы, модели, архитектуры и системы оценки для открытия практических знаний. [1] [2]
Анализ шаблонов на основе данных и обнаружение знаний в базах данных [3] сталкиваются с такими проблемами, что обнаруженные результаты часто оказываются неосуществимыми. В эпоху больших данных решающее значение имеет то, как эффективно находить действенные идеи на основе сложных данных и окружающей среды. Существенным сдвигом парадигмы является переход от анализа шаблонов на основе данных к обнаружению практических знаний на основе предметной области. [4] [5] [6] Интеллектуальный анализ данных на основе предметной области призван обеспечить обнаружение и предоставление практических знаний и практических идей.
Интеллектуальный анализ данных на основе предметной области привлек значительное внимание как академических кругов, так и промышленности.В 2007–2014 годах была проведена серия семинаров по интеллектуальному анализу данных на основе предметной области, а также Международная конференция IEEE по интеллектуальному анализу данных и специальный выпуск, опубликованный IEEE Transactions on Knowledge and Data Engineering. [7] В последнее десятилетие также возникли различные новые исследовательские проблемы и задачи, в которых критически важно включение знаний предметной области в процессы и модели интеллектуального анализа данных, такие как глубокие нейронные сети, встраивание графов, интеллектуальный анализ текста и обучение с подкреплением. [8] [9]
Практические знания
[ редактировать ]Действенные знания — это знания , которые могут информировать о действиях по принятию решений и быть преобразованы в действия по принятию решений. [5] [10] Пригодность результатов интеллектуального анализа данных и машинного обучения , также называемая применимостью знаний, относится к удовлетворению как технических (статистических), так и бизнес-ориентированных показателей или мер оценки с точки зрения объективных целей. [11] [12] и/или субъективное [13] перспективы.Исследования и инновации в области открытия практических знаний можно рассматривать как сдвиг парадигмы от открытия знаний от данных к обнаружению и доставке практических знаний. [14] [15] путем анализа сложных данных для получения сложных знаний в сценарии с несколькими функциями, несколькими источниками или несколькими методами. [16]
Действенное понимание
[ редактировать ]Действенное понимание обеспечивает точное и глубокое понимание вещей или объектов и их характеристик, событий, историй, происшествий, закономерностей, исключений, а также эволюции и динамики, скрытых в мире данных, и соответствующих действий по принятию решений на основе полученной информации. Практические знания могут раскрыть действенные идеи.
Ссылки
[ редактировать ]- ^ Цао, Л.; Чжао, Ю.; Ага.; Чжан, К. (2010). Интеллектуальный анализ данных на основе домена . Спрингер. ISBN 978-1-4419-5737-5 .
- ^ Чжан, К.; Ю, ПС; Белл, Д. (июнь 2010 г.). «Специальный выпуск IEEE TKDE, посвященный интеллектуальному анализу данных на основе домена». Транзакции IEEE по знаниям и инженерии данных . 22 (6): 753–754. дои : 10.1109/TKDE.2010.74 . S2CID 29503757 .
- ^ Файяд, У.; Пятецкий-Шапиро Г.; Смит, П. (1996). «От интеллектуального анализа данных к обнаружению знаний в базах данных». Журнал ИИ . 17 (3): 37–54.
- ^ Файяд, У.; и др. (2003). «Резюме дискуссии KDD-03 — интеллектуальный анализ данных: следующие 10 лет». Информационный бюллетень об исследованиях ACM SIGKDD . 5 (2): 191–196. дои : 10.1145/980972.981004 . S2CID 37284526 .
- ^ Перейти обратно: а б Цао, Л.; Чжан, К.; Ян, К.; Белл, Д.; Влахос, М.; Танери, Б.; Кио, Э.; Ага.; Чжун, Н.; и др. (2007). «Обнаружение практических знаний на основе предметной области». Интеллектуальные системы IEEE . 22 (4): 78–89. дои : 10.1109/MIS.2007.67 . S2CID 15928505 .
- ^ Файяд, У.; Смит, П. (1996). «От интеллектуального анализа данных к обнаружению знаний: обзор». Достижения в области обнаружения знаний и интеллектуального анализа данных (У. Файяд и П. Смит, ред.) : 1–34.
- ^ «ДДДМ» .
- ^ «Международный семинар по интеллектуальному анализу данных на основе доменов (DDDM)» .
- ^ «Международный журнал науки о данных и аналитики» .
- ^ Ян, К.; и др. (2007). «Извлечение практических знаний из деревьев решений». IEEE Транс. Знания и инженерия данных . 19 (1): 43–56. дои : 10.1109/TKDE.2007.250584 . S2CID 18053232 .
- ^ Хильдерман, Р.; Гамильтон, Х. (2000). «Применение объективных показателей интересности в системах интеллектуального анализа данных». Pkdd2000 : 432–439.
- ^ Фрейтас, А. (1998). «Об объективных мерах неожиданности правил». Учеб. Европейская конф. Принципы и практика обнаружения знаний в базах данных : 1–9.
- ^ Лю, Б. (2000). «Анализ субъективной интересности ассоциативных правил». Интеллектуальные системы IEEE . 15 (5): 47–55. дои : 10.1109/5254.889106 .
- ^ Лунбин Цао, Яньчан Чжао, Хуайфэн Чжан, Дэн Ло, Чэнци Чжан. Гибкие рамки для обнаружения практических знаний, IEEE Trans. по знаниям и инженерии данных, 22(9): 1299-1312, 2010 г.
- ^ Лунбин Цао. Обнаружение и предоставление практических знаний, Анализ данных и обнаружение знаний WIREs, 2 (2): 149–163, 2012 г.
- ^ Лунбин Цао. Комбинированный анализ: анализ отношений объектов и шаблонов для обнаружения и построения сложных, но действенных шаблонов, WIREs Data Mining and Knowledge Discovery, 3(2): 140-155, 2013 г.