stringtranslate.com

Домен-ориентированный интеллектуальный анализ данных

Доменно-управляемый интеллектуальный анализ данных — это методология интеллектуального анализа данных для обнаружения действенных знаний и предоставления действенных идей из сложных данных и поведения в сложной среде. Он изучает соответствующие основы, фреймворки, алгоритмы, модели, архитектуры и системы оценки для обнаружения действенных знаний. [1] [2]

Управляемый данными интеллектуальный анализ шаблонов и обнаружение знаний в базах данных [3] сталкиваются с такими проблемами, что обнаруженные результаты часто не являются применимыми к действию. В эпоху больших данных критически важным является то, как эффективно обнаруживать применимые к действию идеи из сложных данных и среды. Значительным изменением парадигмы является эволюция от управляемого данными интеллектуального анализа шаблонов к ориентированному на предметную область обнаружению применимых к действию знаний. [4] [5] [6] Управляемый предметной областью интеллектуальный анализ данных должен обеспечить обнаружение и предоставление применимых к действию знаний и применимых к действию идей.

Доменно-управляемый интеллектуальный анализ данных привлек значительное внимание как со стороны академических кругов, так и со стороны промышленности. В 2007-2014 годах была проведена серия семинаров по доменно-управляемому интеллектуальному анализу данных на Международной конференции IEEE по интеллектуальному анализу данных, а также был опубликован специальный выпуск IEEE Transactions on Knowledge and Data Engineering. [7] Также в последнее десятилетие возникли различные новые исследовательские проблемы и задачи, где включение предметных знаний в процессы и модели интеллектуального анализа данных, такие как глубокие нейронные сети, встраивание графов, интеллектуальный анализ текста и обучение с подкреплением, имеет решающее значение. [8] [9]

Действенные знания

Знания, пригодные для действий, относятся к знаниям , которые могут информировать о действиях по принятию решений и быть преобразованы в действия по принятию решений. [5] [10] Знания , пригодные для действий, полученные в результате интеллектуального анализа данных и машинного обучения , также называемые знаниями, пригодными для действий, относятся к удовлетворению как технических (статистических), так и бизнес-ориентированных метрик или мер оценки с точки зрения объективных [11] [12] и/или субъективных [13] перспектив. Исследования и инновации в области обнаружения знаний, пригодных для действий, можно считать сдвигом парадигмы от обнаружения знаний из данных к обнаружению и предоставлению знаний, пригодных для действий [14] [15] путем добычи сложных данных для сложных знаний в многофункциональном, многоисточниковом или многометодном сценарии. [16]

Действенное понимание

Действенное понимание обеспечивает точное и глубокое понимание вещей или объектов и их характеристик, событий, историй, случаев, закономерностей, исключений, а также эволюции и динамики, скрытых в мире данных, и соответствующие действия по принятию решений на основе этих идей. Действенное знание может раскрывать действенные идеи.

Ссылки

  1. ^ Цао, Л.; Чжао, И.; Юй, П.; Чжан, К. (2010). Доменно-управляемый интеллектуальный анализ данных . Springer. ISBN 978-1-4419-5737-5.
  2. ^ Чжан, Ч.; Ю, П. С.; Белл, Д. (июнь 2010 г.). «Специальный выпуск IEEE TKDE по интеллектуальному анализу данных на основе предметной области». Труды IEEE по инжинирингу знаний и данных . 22 (6): 753–754. doi :10.1109/TKDE.2010.74. S2CID  29503757.
  3. ^ Файяд, У.; Пятецкий-Шапиро, Г.; Смит, П. (1996). «От добычи данных к обнаружению знаний в базах данных». Журнал AI . 17 (3): 37–54.
  4. ^ Файяд, У.; и др. (2003). «Резюме группы KDD-03 — добыча данных: следующие 10 лет». ACM SIGKDD Explorations Newsletter . 5 (2): 191–196. doi :10.1145/980972.981004. S2CID  37284526.
  5. ^ ab Cao, L.; Zhang, C.; Yang, Q.; Bell, D.; Vlachos, M.; Taneri, B.; Keogh, E.; Yu, P.; Zhong, N.; et al. (2007). «Обнаружение знаний, ориентированных на предметную область и применимых на практике». IEEE Intelligent Systems . 22 (4): 78–89. doi :10.1109/MIS.2007.67. S2CID  15928505.
  6. ^ Файяд, У.; Смит, П. (1996). «От добычи данных к обнаружению знаний: обзор». Достижения в области обнаружения знаний и добычи данных, (редакторы У. Файяд и П. Смит) : 1–34.
  7. ^ "ДДДМ".
  8. ^ «Международный семинар по предметно-ориентированному анализу данных (DDDM)».
  9. ^ «Международный журнал науки о данных и аналитики».
  10. ^ Янг, К. и др. (2007). «Извлечение применимых на практике знаний из деревьев решений». IEEE Trans. Knowledge and Data Engineering . 19 (1): 43–56. doi :10.1109/TKDE.2007.250584. S2CID  18053232.
  11. ^ Хильдерман, Р.; Гамильтон, Х. (2000). «Применение объективных мер интересности в системах интеллектуального анализа данных». Pkdd2000 : 432–439.
  12. ^ Фрейтас, А. (1998). «Об объективных мерах неожиданности правил». Труды Европейской конференции. Принципы и практика обнаружения знаний в базах данных : 1–9.
  13. ^ Лю, Б. (2000). «Анализ субъективной интересности правил ассоциации». IEEE Intelligent Systems . 15 (5): 47–55. doi :10.1109/5254.889106.
  14. ^ Лунбин Цао, Яньчан Чжао, Хуайфэн Чжан, Дэн Ло, Чэнци Чжан. Гибкие структуры для обнаружения действенных знаний, IEEE Trans. по инжинирингу знаний и данных, 22(9): 1299-1312, 2010
  15. ^ Лунбин Цао. Обнаружение и предоставление действенных знаний, WIREs Data Mining and Knowledge Discovery, 2(2): 149-163, 2012
  16. ^ Лунбин Цао. Комбинированный майнинг: анализ отношений объектов и шаблонов для обнаружения и построения сложных, но действенных шаблонов, WIREs Data Mining and Knowledge Discovery, 3(2): 140-155, 2013