دانلود کتاب کشف دانش با اطلاعات معنایی و اجتماعی افزایش یافته است بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
نام کتاب : Knowledge Discovery Enhanced with Semantic and Social Information
ویرایش : 1
عنوان ترجمه شده به فارسی : کشف دانش با اطلاعات معنایی و اجتماعی افزایش یافته است
سری : Studies in Computational Intelligence 220
نویسندگان : Francesca A. Lisi, Floriana Esposito (auth.), Bettina Berendt, Dunja Mladenič, Marco de Gemmis, Giovanni Semeraro, Myra Spiliopoulou, Gerd Stumme, Vojtěch Svátek, Filip Železný (eds.)
ناشر : Springer-Verlag Berlin Heidelberg
سال نشر : 2009
تعداد صفحات : 149
ISBN (شابک) : 9783642018909 , 9783642018916
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب نمایشی از پیشرفتهای اخیر در کشف دانش است که با اطلاعات معنایی و اجتماعی افزایش یافته است. این شامل هشت فصل است که از دو کارگاه مشترک در ECML/PKDD 2007 شکل گرفته است.
توافق کلی وجود دارد که اثربخشی خروجی یادگیری ماشین و کشف دانش نه تنها به کیفیت داده های منبع و پیچیدگی یادگیری بستگی دارد. الگوریتمها، بلکه بر روی ورودیهای اضافی ارائهشده توسط کارشناسان حوزه. توافق کمتری در مورد اینکه آیا، چه زمانی و چگونه چنین ورودی می تواند و باید به عنوان دانش قبلی صریح رسمی شود وجود دارد.
شش فصل در قسمت اول کتاب با هدف بررسی این جنبه با پرداختن به چهار موضوع مختلف انجام می شود: برنامه ریزی منطق استقرایی. نقش کاربران انسانی؛ بررسی روشهای کاملاً خودکار برای یکپارچهسازی دانش پسزمینه؛ استفاده از دانش پس زمینه برای وب کاوی انگیزه دو فصل در بخش دوم، تکامل وب 2.0 (r) و نقش فزاینده قوی محتوای تولید شده توسط کاربر است. مشارکتها بر دیدگاه وب به عنوان یک رسانه اجتماعی برای اشتراکگذاری محتوا و دانش تأکید دارند.
This book is a showcase of recent advances in knowledge discovery enhanced with semantic and social information. It includes eight contributed chapters that grew out of two joint workshops at ECML/PKDD 2007.
There is general agreement that the effectiveness of Machine Learning and Knowledge Discovery output strongly depends not only on the quality of source data and the sophistication of learning algorithms, but also on additional input provided by domain experts. There is less agreement on whether, when and how such input can and should be formalized as explicit prior knowledge.
The six chapters in the first part of the book aim to investigate this aspect by addressing four different topics: inductive logic programming; the role of human users; investigations of fully automated methods for integrating background knowledge; the use of background knowledge for Web mining. The two chapters in the second part are motivated by the Web 2.0 (r)evolution and the increasingly strong role of user-generated content. The contributions emphasize the vision of the Web as a social medium for content and knowledge sharing.