WikiDer > Примеры интеллектуального анализа данных

Examples of data mining

Сбор данных, процесс обнаружения закономерностей в больших наборы данных, использовался во многих приложениях.

Игры

С начала 1960-х годов с появлением оракулы для некоторых комбинаторные игры, также называемый столы (например, для шахмат 3x3) с любой начальной конфигурацией, малая доска точки и квадраты, гексагональная доска и определенные эндшпиль в шахматах, точках и квадратах и ​​гексагоне; открыта новая область интеллектуального анализа данных. Это извлечение полезных для человека стратегий из этих оракулов. Современные подходы к распознаванию образов, похоже, не достигают в полной мере того высокого уровня абстракции, который требуется для успешного применения. Вместо этого для получения проницательных закономерностей используются обширные эксперименты с базами таблиц - в сочетании с интенсивным изучением базовых ответов на хорошо спланированные проблемы и со знанием предшествующего уровня техники (то есть знаниями до создания базовых таблиц). Берлекамп (в прямоугольниках и т. д.) и Джон Нанн (в шахматы эндшпиль) являются яркими примерами исследователей, выполняющих эту работу, хотя они не участвовали и не участвуют в создании базы данных.

Бизнес

В бизнесе интеллектуальный анализ данных - это анализ исторической деловой активности, хранящейся в виде статических данных в базах данных хранилища данных. Цель - выявить скрытые закономерности и тенденции. Программное обеспечение интеллектуального анализа данных использует расширенные алгоритмы распознавания образов анализировать большие объемы данных, помогая обнаружить ранее неизвестную стратегическую бизнес-информацию. Примеры того, для чего компании используют интеллектуальный анализ данных, включают выполнение анализа рынка для выявления новых комплектов продуктов, поиска первопричин производственных проблем и предотвращения истощение клиентов и приобретать новых клиентов, перекрестные продажи существующим клиентам и более точному профилированию клиентов.[1]

  • В современном мире необработанные данные собираются компаниями с огромной скоростью. Например, Walmart ежедневно обрабатывает более 20 миллионов транзакций в точках продаж. Эта информация хранится в централизованной базе данных, но была бы бесполезной без какого-либо программного обеспечения интеллектуального анализа данных для ее анализа. Если бы Walmart проанализировал данные своих торговых точек с помощью методов интеллектуального анализа данных, они смогли бы определять тенденции продаж, разрабатывать маркетинговые кампании и более точно прогнозировать лояльность клиентов.[2][3] Одним из таких примеров для Walmart могут быть продажи подгузников и пива, обнаруженные с помощью интеллектуального анализа данных.[4]
  • Категоризация товаров, доступных на сайте электронной коммерции, является фундаментальной проблемой. Правильная система категоризации элементов важна для взаимодействия с пользователем, поскольку она помогает определить элементы, относящиеся к нему при поиске и просмотре. Категоризацию элементов можно сформулировать как проблему контролируемой классификации в интеллектуальном анализе данных, где категории являются целевыми классами, а функции - словами, составляющими некоторое текстовое описание элементов. Один из подходов - сначала найти похожие группы и объединить их в скрытую группу. Теперь, имея новый элемент, сначала классифицируйте его в скрытую группу, которая называется классификацией грубого уровня. Затем выполните второй раунд классификации, чтобы найти категорию, к которой принадлежит товар.[5]
  • Каждый раз, когда используется кредитная карта, карта постоянного покупателя или заполняется гарантийный талон, собираются данные о поведении пользователя. Многие люди считают, что объем информации, хранящейся о нас от таких компаний, как Google, Facebook и Amazon, беспокоит, и их беспокоит конфиденциальность. Хотя есть вероятность того, что наши личные данные будут использованы во вредных или нежелательных целях, они также используются для улучшения нашей жизни. Например, Ford и Audi надеются когда-нибудь собрать информацию о способах вождения клиентов, чтобы они могли рекомендовать более безопасные маршруты и предупреждать водителей об опасных дорожных условиях.[6]
  • Интеллектуальный анализ данных в управление взаимоотношениями с клиентами приложения могут внести значительный вклад в чистую прибыль.[нужна цитата] Вместо того, чтобы случайным образом связываться с потенциальным клиентом или клиентом через колл-центр или отправлять почту, компания может сосредоточить свои усилия на потенциальных клиентах, которые, по прогнозам, имеют высокую вероятность ответа на предложение. Можно использовать более сложные методы для оптимизации ресурсов в разных кампаниях, чтобы можно было предсказать, на какой канал и на какое предложение человек с наибольшей вероятностью ответит (по всем потенциальным предложениям). Кроме того, для автоматизации рассылки можно использовать сложные приложения. После определения результатов интеллектуального анализа данных (потенциальный потенциальный клиент / клиент и канал / предложение) это «сложное приложение» может автоматически отправлять электронное или обычное письмо. Наконец, в случаях, когда многие люди совершают действие без предложения, "моделирование подъема"можно использовать, чтобы определить, у каких людей больше всего откликов на предложение. Таким образом, моделирование повышения позволяет маркетологам сосредоточить рассылки и предложения на убедительных людях, а не посылать предложения людям, которые купят продукт без предложения. Кластеризация данных также может использоваться для автоматического обнаружения сегментов или групп в наборе данных о клиентах.
  • Компании, использующие интеллектуальный анализ данных, могут увидеть окупаемость инвестиций, но они также признают, что количество прогнозных моделей может быстро стать очень большим. Например, вместо того, чтобы использовать одну модель, чтобы предсказать, сколько клиентов отток, компания может создать отдельную модель для каждого региона и типа клиента. В ситуациях, когда необходимо поддерживать большое количество моделей, некоторые компании обращаются к более автоматизированным методологиям интеллектуального анализа данных.
  • Интеллектуальный анализ данных может быть полезен отделам кадров (HR) при определении характеристик их наиболее успешных сотрудников. Полученная информация - например, об университетах, посещаемых очень успешными сотрудниками, - может помочь HR-отделу соответствующим образом сосредоточить усилия при подборе персонала. Кроме того, приложения стратегического управления предприятием помогают компании преобразовывать цели корпоративного уровня, такие как целевые показатели прибыли и доли прибыли, в операционные решения, такие как производственные планы и уровни персонала.[7]
  • Анализ рыночной корзины использовался для определения моделей покупок Альфа Потребитель. Анализ данных, собранных об этом типе пользователей, позволяет компаниям прогнозировать будущие тенденции покупок и прогнозировать потребности в предложениях.[нужна цитата]
  • Интеллектуальный анализ данных - очень эффективный инструмент в индустрии каталожного маркетинга.[нужна цитата] Каталогизаторы имеют обширную базу данных истории транзакций своих клиентов для миллионов клиентов, насчитывающих несколько лет. Инструменты интеллектуального анализа данных могут выявить закономерности среди клиентов и помочь выявить наиболее вероятных клиентов, которые отреагируют на предстоящие рассылки.
  • Интеллектуальный анализ данных для бизнес-приложений может быть интегрирован в сложный процесс моделирования и принятия решений.[8] LIONsolver использует реактивную бизнес-аналитику (RBI) для защиты "целостного" подхода, который объединяет интеллектуальный анализ данных, моделирование, и интерактивная визуализация в непрерывный процесс открытий и непрерывных инноваций, основанный на человеческом и автоматизированном обучении.[9]
  • В районе принимать решениеподход RBI использовался для извлечения знаний, которые постепенно приобретаются от лиц, принимающих решения, и затем соответствующим образом самостоятельно настраивать метод решения.[10] Отношение между качеством системы интеллектуального анализа данных и объемом инвестиций, которые лицо, принимающее решения, готово сделать, было формализовано путем предоставления экономической точки зрения на ценность «извлеченных знаний» с точки зрения их отдачи для организации.[8] Эта основа классификации, основанная на теории принятия решений[8] был применен к реальной линии по производству полупроводниковых пластин, где правила принятия решений для эффективного мониторинга и управления линией производства полупроводниковых пластин.[11]
  • Пример интеллектуального анализа данных, связанный с производственной линией интегральных схем (ИС), описан в статье «Анализ данных тестирования ИС для оптимизации тестирования СБИС».[12] В этой статье описывается применение интеллектуального анализа данных и анализа решений к проблеме функционального тестирования на уровне кристалла. Упомянутые эксперименты демонстрируют возможность применения системы анализа исторических данных испытаний штампов для создания вероятностной модели схем отказа штампов. Затем эти шаблоны используются для принятия решения в режиме реального времени о том, что нужно тестировать следующим, а когда прекратить тестирование. На основе экспериментов с историческими данными испытаний было показано, что эта система может повысить прибыль от зрелых продуктов IC. Другие примеры[13][14] Применение методологий интеллектуального анализа данных в среде производства полупроводников предполагает, что методологии интеллектуального анализа данных могут быть особенно полезны, когда данных мало, а различные физические и химические параметры, влияющие на процесс, демонстрируют очень сложные взаимодействия. Другое значение заключается в том, что онлайн-мониторинг процесса производства полупроводников с использованием интеллектуального анализа данных может быть очень эффективным.

Наука и техника

В последние годы интеллектуальный анализ данных широко используется в таких областях науки и техники, как биоинформатика, генетика, лекарство, образование и электричество инженерия.

  • При изучении генетики человека, последовательная добыча помогает решить важную задачу понимания взаимосвязи отображения между индивидуальными вариациями человеческого ДНК последовательность и вариабельность восприимчивости к болезням. Проще говоря, он направлен на то, чтобы выяснить, как изменения в последовательности ДНК человека влияют на риски развития общих заболеваний, таких как рак, что имеет большое значение для совершенствования методов диагностики, профилактики и лечения этих заболеваний. Один метод интеллектуального анализа данных, который используется для выполнения этой задачи, известен как многофакторное снижение размерности.[15]
  • В области электроэнергетики методы интеллектуального анализа данных широко используются для контроль состояния электрооборудования высокого напряжения. Целью мониторинга состояния является получение ценной информации, например, о состоянии изоляция (или другие важные параметры безопасности). Кластеризация данных методы - такие как самоорганизующаяся карта (SOM), были применены для мониторинга вибрации и анализа устройств РПН трансформатора. Используя мониторинг вибрации, можно наблюдать, что каждая операция переключения ответвлений генерирует сигнал, который содержит информацию о состоянии контактов переключателя ответвлений и механизмов привода. Очевидно, что разные положения ответвлений будут генерировать разные сигналы. Однако между сигналами нормального состояния для одного и того же положения РПН наблюдались значительные различия. SOM применялся для выявления ненормальных состояний и выдвижения гипотез о природе аномалий.[16]
  • Методы интеллектуального анализа данных были применены к анализ растворенного газа (DGA) в силовые трансформаторы. DGA как средство диагностики силовых трансформаторов существует уже много лет. Такие методы, как SOM, применялись для анализа сгенерированных данных и определения тенденций, которые не очевидны для стандартных методов соотношения DGA (таких как треугольник Дюваля).[16]
  • В образовательных исследованиях, когда интеллектуальный анализ данных использовался для изучения факторов, побуждающих учащихся выбирать поведение, которое снижает их способность к обучению,[17] и понять факторы, влияющие на удержание студентов университетов.[18] Подобным примером социального применения интеллектуального анализа данных является его использование в системы поиска знаний, посредством чего дескрипторы человеческого опыта извлекаются, нормализуются и классифицируются, чтобы облегчить поиск экспертов, особенно в научных и технических областях. Таким образом, интеллектуальный анализ данных может облегчить институциональная память.
  • Методы интеллектуального анализа данных биомедицинский данные, предоставленные доменом онтологии,[19] добыча данных клинических испытаний,[20] и анализ трафика с помощью SOM.[21]
  • При наблюдении за побочными реакциями на лекарства Центр мониторинга Упсалы с 1998 года использует методы интеллектуального анализа данных для регулярной проверки моделей отчетности, указывающих на возникающие проблемы безопасности лекарственных средств, в глобальной базе данных ВОЗ о 4,6 млн подозреваемых побочная реакция на лекарство инциденты.[22] Недавно подобная методология была разработана для добычи больших коллекций электронные медицинские карты для временных моделей, связывающих рецепты на лекарства с медицинскими диагнозами.[23]
  • Интеллектуальный анализ данных был применен к программного обеспечения артефакты в сфере программная инженерия: Репозитории программного обеспечения для майнинга.

Права человека

Интеллектуальный анализ данных в государственных отчетах, в частности в отчетах системы правосудия (например, судов, тюрем), позволяет обнаруживать системные права человека нарушения в связи с созданием и публикацией недействительных или поддельных юридических документов различными государственными органами.[24][25]

Интеллектуальный анализ медицинских данных

Смотрите также: Пациенты и Сравнительная геномика

Немного машинное обучение алгоритмы могут быть применены в медицине как вторичное мнение диагностические инструменты и как инструменты на этапе извлечения знаний в процессе открытие знаний в базах данных.Один из этих классификаторов (называемый Опытный образец учебного классификатора (PEL-C)[26] способен открыть синдромы а также атипичные клинические случаи.

Текущая область медицины, в которой используется процесс интеллектуального анализа данных, - это Метаболомика, который представляет собой исследование и изучение биологических молекул и их взаимодействия с жидкостями организма, клетками, тканями и т. д.[27] Метаболомика - это предмет, в котором очень много данных, и она часто включает в себя анализ огромных объемов нерелевантных данных, прежде чем делать какие-либо выводы. Интеллектуальный анализ данных позволил этой относительно новой области медицинских исследований значительно расшириться за последнее десятилетие и, вероятно, станет методом, которым будут найдены новые исследования в рамках предмета.[27]

В 2011 году дело Соррелл против IMS Health, Inc., решено Верховный суд США, постановил, что аптеки может делиться информацией со сторонними компаниями. Эта практика была разрешена в соответствии с 1-я поправка к Конституции, защищая «свободу слова».[28] Однако принятие Закона о медицинских информационных технологиях для экономического и клинического здоровья (HITECH Act) помогло инициировать внедрение электронной медицинской карты (EHR) и вспомогательных технологий в Соединенных Штатах.[29] Закон о HITECH был подписан 17 февраля 2009 года как часть Закона о восстановлении и реинвестировании Америки (ARRA) и помог открыть дверь для сбора медицинских данных.[30] До подписания этого закона, по оценкам, только 20% врачей в США использовали электронные карты пациентов.[29] Сорен Брунак отмечает, что «история болезни пациента становится максимально информативной» и, таким образом, «максимизирует возможности интеллектуального анализа данных».[29] Таким образом, электронные карты пациентов расширяют возможности интеллектуального анализа медицинских данных, открывая тем самым доступ к обширному источнику анализа медицинских данных.

Интеллектуальный анализ пространственных данных

Интеллектуальный анализ пространственных данных - это применение методов интеллектуального анализа данных к пространственным данным. Конечная цель интеллектуального анализа пространственных данных - найти закономерности в данных с учетом географии. Пока что интеллектуальный анализ данных и Географические информационные системы (ГИС) существовали как две отдельные технологии, каждая со своими методами, традициями и подходами к визуализации и анализу данных. В частности, большинство современных ГИС имеют только самые базовые функции пространственного анализа. Огромный взрыв данных с географической привязкой, вызванный развитием информационных технологий, цифрового картографирования, дистанционного зондирования и глобального распространения ГИС, подчеркивает важность разработки индуктивных подходов к географическому анализу и моделированию, основанных на данных.

Интеллектуальный анализ данных предлагает большие потенциальные преимущества для принятия решений на основе ГИС. В последнее время задача интеграции этих двух технологий стала критически важной, особенно в связи с тем, что различные организации государственного и частного сектора, обладающие огромными базами данных с тематическими и географически привязанными данными, начинают осознавать огромный потенциал содержащейся в них информации. Среди этих организаций:

  • Офисы, требующие анализа или распространения статистических данных с географической привязкой
  • Службы общественного здравоохранения ищут объяснения кластеризации болезней
  • Экологические агентства, оценивающие влияние изменения моделей землепользования на изменение климата
  • Геомаркетинговые компании проводят сегментацию клиентов на основе пространственного расположения.

Проблемы пространственного анализа данных: репозитории геопространственных данных, как правило, очень большие. Более того, существующие наборы данных ГИС часто разделяются на компоненты функций и атрибутов, которые обычно архивируются в гибридных системах управления данными. Алгоритмические требования существенно различаются для управления реляционными (атрибутивными) данными и для управления топологическими (характеристическими) данными.[31] С этим связан диапазон и разнообразие форматов географических данных, которые создают уникальные проблемы. Революция цифровых географических данных создает новые типы форматов данных, выходящие за рамки традиционных «векторных» и «растровых» форматов. Репозитории географических данных все чаще включают плохо структурированные данные, такие как изображения и мультимедийные данные с географической привязкой.[32]

Есть несколько важных исследовательских задач в области открытия географических знаний и интеллектуального анализа данных. Миллер и Хан[33] предлагаем следующий список новых исследовательских тем в данной области:

  • Разработка и поддержка хранилищ географических данных (GDW): Пространственные свойства часто сводятся к простым пространственный атрибуты в основных хранилищах данных. Создание интегрированного GDW требует решения проблем взаимодействия пространственных и временных данных, включая различия в семантике, системах привязки, геометрии, точности и положении.
  • Улучшение пространственно-временных представлений в открытии географических знаний: Современные методы обнаружения географических знаний (GKD) обычно используют очень простые представления географических объектов и пространственных отношений. Методы интеллектуального анализа географических данных должны распознавать более сложные географические объекты (т. Е. Линии и многоугольники) и взаимосвязи (т. Е. Неевклидовы расстояния, направление, связность и взаимодействие через приписываемое географическое пространство, такое как местность). Кроме того, измерение времени необходимо более полно интегрировать в эти географические представления и отношения.
  • Открытие географических знаний с использованием различных типов данных: Следует разработать методы GKD, которые могут обрабатывать различные типы данных помимо традиционных растровых и векторных моделей, включая изображения и мультимедийные данные с географической привязкой, а также динамические типы данных (видеопотоки, анимация).

Интеллектуальный анализ временных данных

Данные могут содержать атрибуты, созданные и записанные в разное время. В этом случае для нахождения значимых взаимосвязей в данных может потребоваться рассмотрение временного порядка атрибутов. Временные отношения могут указывать на причинную связь или просто на ассоциацию.[нужна цитата]

Анализ данных датчиков

Беспроводные сенсорные сети может использоваться для облегчения сбора данных для интеллектуального анализа пространственных данных для различных приложений, таких как мониторинг загрязнения воздуха.[34] Особенностью таких сетей является то, что близлежащие узлы датчиков, контролирующие объект окружающей среды, обычно регистрируют аналогичные значения. Такая избыточность данных из-за пространственной корреляции между наблюдениями с датчиков вдохновляет на создание методов внутрисетевого агрегирования и интеллектуального анализа данных. Измеряя пространственную корреляцию между данными, полученными с помощью различных датчиков, можно разработать широкий класс специализированных алгоритмов для разработки более эффективных алгоритмов интеллектуального анализа пространственных данных.[35]

Визуальный анализ данных

В процессе перехода от аналогового к цифровому, большие наборы данных были сгенерированы, собраны и сохранены, выявляя статистические закономерности, тенденции и информацию, которая скрыта в данных, для построения прогнозных закономерностей. Исследования показывают, что визуальный анализ данных выполняется быстрее и интуитивно понятнее, чем традиционный интеллектуальный анализ данных.[36][37][38] Смотрите также Компьютерное зрение.

Интеллектуальный анализ музыкальных данных

Методы интеллектуального анализа данных, в частности совпадение анализ, использовался для обнаружения соответствующих сходств между музыкальными корпусами (радиосписки, базы данных компакт-дисков) для целей, включая классификацию музыки на жанры более объективно.[39]

Наблюдение

Правительство США использует интеллектуальный анализ данных. Программы включают Полная информационная осведомленность (TIA) программа Secure Flight (ранее известная как компьютерная система предварительной проверки пассажиров (CAPPS II)), Анализ, распространение, визуализация, понимание, семантическое улучшение (СОВЕТОВАТЬ),[40] и Межгосударственный обмен антитеррористической информацией (МАТРИЦА).[41] Эти программы были прекращены из-за разногласий по поводу того, нарушают ли они 4-ю поправку к Конституции Соединенных Штатов, хотя многие программы, которые были созданы в соответствии с ними, по-прежнему финансируются разными организациями или под разными названиями.[42]

В контексте борьбы с терроризмом двумя наиболее вероятными методами интеллектуального анализа данных являются «анализ закономерностей» и «анализ данных на основе предмета».

Анализ шаблонов

«Анализ шаблонов» - это метод интеллектуального анализа данных, который включает поиск существующих узоры в данных. В контексте узоры часто означает правила ассоциации. Первоначальная мотивация для поиска ассоциативных правил была вызвана желанием проанализировать данные о транзакциях в супермаркетах, то есть изучить поведение покупателей в отношении приобретенных продуктов. Например, правило ассоциации «пиво ⇒ картофельные чипсы (80%)» гласит, что четыре из пяти покупателей, купивших пиво, также купили картофельные чипсы.

В контексте поиска закономерностей как инструмента выявления террористической деятельности Национальный исследовательский совет дает следующее определение: «Интеллектуальный анализ данных на основе шаблонов ищет шаблоны (в том числе аномальные шаблоны данных), которые могут быть связаны с террористической деятельностью - эти шаблоны могут рассматриваться как небольшие сигналы в большом океане шума».[43][44][45] Pattern Mining включает новые области, такие как Поиск музыкальной информации (MIR), где шаблоны, наблюдаемые как во временной, так и во вневременной областях, импортируются в классические методы поиска знаний.

Предметный анализ данных

«Субъектный анализ данных» - это метод интеллектуального анализа данных, включающий поиск ассоциаций между людьми в данных. В контексте борьбы с терроризмом Национальный исследовательский совет дает следующее определение: «Интеллектуальный анализ данных на основе предмета использует инициирующее лицо или другие данные, которые, как полагают, на основе другой информации, представляют большой интерес, и цель состоит в том, чтобы определить, какие другие лица или финансовые операции или движения и т. д. , связаны с исходным данным ".[44]

Сетка знаний

Обнаружение знаний "в сетке" обычно относится к открытию знаний в открытой среде с использованием сеточные вычисления концепции, позволяющие пользователям интегрировать данные из различных онлайн-источников данных, а также использовать удаленные ресурсы для выполнения своих задач интеллектуального анализа данных. Самым ранним примером был Discovery Net,[46][47] разработан в Имперский колледж Лондон, который получил награду «Самое инновационное приложение с интенсивным использованием данных» на конференции и выставке ACM SC02 (Supercomputing 2002), основанной на демонстрации полностью интерактивного приложения для обнаружения распределенных знаний для приложения биоинформатики. Другие примеры включают работу, проведенную исследователями Университет Калабрии, который разработал архитектуру Knowledge Grid для распределенного обнаружения знаний на основе сеточные вычисления.[48][49]

Рекомендации

  1. ^ О'Брайен, Дж. А., и Маракас, Г. М. (2011). Информационные системы управления. Нью-Йорк, Нью-Йорк: Макгроу-Хилл / Ирвин.
  2. ^ Александр, Д. (н.д.). Сбор данных. Получено из Техасского университета в Остине: Колледж свободных искусств: http://www.laits.utexas.edu/~anorman/BUS.FOR/course.mat/Alex/
  3. ^ "Даниэле Медри: Большие данные и бизнес: продолжающаяся революция". Просмотр статистики. 21 октября 2013 г.
  4. ^ «Притча о пиве и пеленках». Получено 2018-02-18.
  5. ^ «Категоризация крупномасштабных предметов» (PDF). Архивировано из оригинал (PDF) на 2015-10-05.
  6. ^ Госс, С. (10 апреля 2013 г.). Интеллектуальный анализ данных и наша личная конфиденциальность. Получено из The Telegraph: «Архивная копия». Архивировано из оригинал на 2014-07-05. Получено 2015-09-21.CS1 maint: заархивированная копия как заголовок (связь)
  7. ^ Монах, Эллен; Вагнер, Брет (2006). Концепции планирования ресурсов предприятия, второе издание. Бостон, Массачусетс: Технология курса Thomson. ISBN 978-0-619-21663-4. OCLC 224465825.
  8. ^ а б c Еловичи, Юваль; Браха, Дэн (2003). "Теоретико-решающий подход к интеллектуальному анализу данных" (PDF). Транзакции IEEE по системам, человеку и кибернетике - Часть A: Системы и люди. 33 (1): 42–51. Дои:10.1109 / TSMCA.2003.812596. HDL:10150/105859.
  9. ^ Баттити, Роберто; и Брунато, Мауро; Реактивная бизнес-аналитика. От данных к моделям и пониманию, Reactive Search Srl, Италия, февраль 2011 г. ISBN 978-88-905795-0-9.
  10. ^ Баттити, Роберто; Пассерини, Андреа (2010). «Эволюционная многоцелевая оптимизация мозга и компьютера (BC-EMO): генетический алгоритм, адаптирующийся к лицам, принимающим решения» (PDF). IEEE Transactions по эволюционным вычислениям. 14 (15): 671–687. Дои:10.1109 / TEVC.2010.2058118.
  11. ^ Браха, Дан; Еловичи, Юваль; Наконец, Марк (2007). «Теория действенного интеллектуального анализа данных в применении к контролю производства полупроводников» (PDF). Международный журнал производственных исследований. 45 (13): 3059–3084. CiteSeerX 10.1.1.127.1472. Дои:10.1080/00207540600654475.
  12. ^ Фонтан, Тони; Диттерих, Томас; и Судыка, Билл (2000); Анализ данных испытаний ИС для оптимизации тестирования СБИС, in Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ACM Press, pp. 18–25
  13. ^ Браха, Дан; Шмилович, Армин (2002). «Интеллектуальный анализ данных для улучшения процесса очистки в полупроводниковой промышленности» (PDF). IEEE Transactions по производству полупроводников. 15 (1): 91–101. CiteSeerX 10.1.1.10.7921. Дои:10.1109/66.983448.
  14. ^ Браха, Дан; Шмилович, Армин (2003). «Об использовании индукции дерева решений для обнаружения взаимодействий в фотолитографическом процессе» (PDF). IEEE Transactions по производству полупроводников. 16 (4): 644–652. Дои:10.1109 / TSM.2003.818959.
  15. ^ Чжу, Синцюань; Дэвидсон, Ян (2007). Открытие знаний и интеллектуальный анализ данных: вызовы и реалии. Нью-Йорк, штат Нью-Йорк: Херши. п. 18. ISBN 978-1-59904-252-7.
  16. ^ а б Макгрейл, Энтони Дж .; Гульски, Эдвард; Аллан, Дэвид; Биртвистл, Дэвид; Блэкберн, Тревор Р .; Groot, Эдвин Р. С. «Методы интеллектуального анализа данных для оценки состояния высоковольтной электрической установки». CIGRÉ WG 15.11 Исследовательского комитета 15.
  17. ^ Бейкер, Райан С. Дж. D. «Являются ли игры состоянием или признаком системы? Интеллектуальный анализ образовательных данных с помощью многоконтекстного применения проверенной модели поведения». Семинар по интеллектуальному анализу данных для моделирования пользователей 2007 г..
  18. ^ Суперби Агирре, Хуан Франциско; Вандам, Жан-Филипп; Мескенс, Надин. «Определение факторов, влияющих на успеваемость студентов первого курса вуза с использованием методов интеллектуального анализа данных». Семинар по интеллектуальному анализу образовательных данных 2006 г..
  19. ^ Чжу, Синцюань; Дэвидсон, Ян (2007). Открытие знаний и интеллектуальный анализ данных: вызовы и реалии. Нью-Йорк, штат Нью-Йорк: Херши. С. 163–189. ISBN 978-1-59904-252-7.
  20. ^ Чжу, Синцюань; Дэвидсон, Ян (2007). Открытие знаний и интеллектуальный анализ данных: вызовы и реалии. Нью-Йорк, штат Нью-Йорк: Херши. С. 31–48. ISBN 978-1-59904-252-7.
  21. ^ Чен, Юдун; Чжан, И; Ху, Цзяньминь; Ли, Сян (2006). Анализ данных трафика с использованием ядра PCA и самоорганизующейся карты. Симпозиум IEEE по интеллектуальным автомобилям. С. 472–477. Дои:10.1109 / IVS.2006.1689673. ISBN 978-4-901122-86-3.
  22. ^ Бейт, Андрей; Линдквист, Мари; Эдвардс, И. Ральф; Ольссон, Стен; Орре, Роланд; Ланснер, Андерс; де Фрейтас, Рохелио Мельхадо (июнь 1998 г.). «Байесовский метод нейронной сети для генерации сигналов о побочных реакциях на лекарства» (PDF). Европейский журнал клинической фармакологии. 54 (4): 315–21. Дои:10.1007 / s002280050466. PMID 9696956.[постоянная мертвая ссылка]
  23. ^ Норен, Г. Никлас; Бейт, Андрей; Хопстадиус, Йохан; Звезда, Кристина; и Эдвардс, И. Ральф (2008); Обнаружение временных закономерностей для тенденций и переходных эффектов: его применение к записям пациентов. Материалы четырнадцатой международной конференции по открытию знаний и интеллектуальному анализу данных (SIGKDD 2008), Лас-Вегас, Невада, стр. 963–971.
  24. ^ Зерник, Иосиф; Сбор данных как гражданская обязанность - системы государственной регистрации заключенных в Интернете, Международный журнал социальных сетей: мониторинг, измерение, добыча, 1: 84–96 (2010)
  25. ^ Зерник, Иосиф; Интеллектуальный анализ данных онлайн-судебных записей сетевых федеральных судов США, Международный журнал социальных сетей: мониторинг, измерение, добыча, 1:69–83 (2010)
  26. ^ Гальярди, Ф (2011). «Классификаторы на основе экземпляров, применяемые к медицинским базам данных: диагностика и извлечение знаний». Искусственный интеллект в медицине. 52 (3): 123–139. Дои:10.1016 / j.artmed.2011.04.002. PMID 21621400.
  27. ^ а б Мартинес-Арранс, Ибон; Мэйо, Ребека; Перес-Корменсана, Мириам; Минчоле, Итциар; Салазар, Лорена; Алонсо, Кристина; Мато, Хосе М. (2015). «Расширение исследований метаболомики с помощью интеллектуального анализа данных». Журнал протеомики. 127 (Pt B): 275–288. Дои:10.1016 / j.jprot.2015.01.019. PMID 25668325.
  28. ^ Дэвид Г. Сэвидж (24.06.2011). «Фармацевтическая промышленность: Верховный суд поддерживает фармацевтическую промышленность в двух решениях». Лос-Анджелес Таймс. Получено 2012-11-07.
  29. ^ а б c Гот, Грегори (2012). «Анализ медицинских данных». Коммуникации ACM. 55: 13. Дои:10.1145/2184319.2184324.
  30. ^ http://searchhealthit.techtarget.com/definition/HITECH-Act
  31. ^ Хили, Ричард Г. (1991); Системы управления базами данных, в Maguire, David J .; Гудчайлд, Майкл Ф .; и Райнд, Дэвид У. (ред.), Географические информационные системы: принципы и применение, Лондон, Великобритания: Longman
  32. ^ Camara, Antonio S .; и Рэпер, Джонатан (ред.) (1999); Пространственные мультимедиа и виртуальная реальность, Лондон, Великобритания: Тейлор и Фрэнсис
  33. ^ Миллер, Харви Дж .; и Хан, Цзявэй (ред.) (2001); Географический анализ данных и открытие знаний, Лондон, Великобритания: Тейлор и Фрэнсис
  34. ^ Май.; Richards, M .; Ghanem, M .; Guo, Y .; Хассард, Дж. (2008). «Мониторинг загрязнения воздуха и горнодобывающая промышленность на основе сенсорной сети в Лондоне». Датчики. 8 (6): 3601–3623. Дои:10,3390 / с8063601. ЧВК 3714656. PMID 27879895.
  35. ^ Май.; Guo, Y .; Тиан, X .; Ганем, М. (2011). «Распределенный алгоритм агрегации на основе кластеризации для пространственно-коррелированных сенсорных сетей». Журнал датчиков IEEE. 11 (3): 641. Bibcode:2011ISenJ..11..641M. CiteSeerX 10.1.1.724.1158. Дои:10.1109 / JSEN.2010.2056916.
  36. ^ Чжао, Кайди; и Лю, Бинг; Тирпарк, Томас М .; и Вэйминь, Сяо; Платформа визуального интеллектуального анализа данных для удобного определения полезных знаний
  37. ^ Keim, Daniel A .; Визуализация информации и визуальный анализ данных
  38. ^ Берч, Майкл; Диль, Стефан; Вайсгербер, Питер; Визуальный анализ данных в архивах программного обеспечения
  39. ^ Паше, Франсуа; Вестерманн, Герт; и Лэгр, Дэмиен; Музыкальный анализ данных для распространения электронной музыки В архиве 2014-03-27 на Wayback Machine, Труды 1-й WedelMusic Conference, Флоренция, Италия, 2001 г., стр. 101–106.
  40. ^ Счетная палата правительства, Интеллектуальный анализ данных: своевременное внимание к конфиденциальности при разработке ключевой программы DHS может снизить риски, GAO-07-293 (февраль 2007 г.), Вашингтон, округ Колумбия
  41. ^ Отчет о программе безопасного полета, NBC News
  42. ^ "Общая осведомленность о терроризме (TIA): действительно ли это мертво?". Electronic Frontier Foundation (официальный сайт). 2003. Архивировано с оригинал на 2009-03-25. Получено 2009-03-15.
  43. ^ Агравал, Ракеш; Маннила, Хейкки; Шрикант, Рамакришнан; Тойвонен, Ханну; и Веркамо, А. Инкери; Быстрое обнаружение ассоциативных правил, в Достижения в области обнаружения знаний и интеллектуального анализа данных, MIT Press, 1996, стр. 307–328.
  44. ^ а б Национальный исследовательский совет, Защита частной жизни в борьбе с террористами: основа для оценки программы, Вашингтон, округ Колумбия: National Academies Press, 2008 г.
  45. ^ Хааг, Стивен; Каммингс, Мейв; Филлипс, Эми (2006). Информационные системы управления для информационной эпохи. Торонто: Макгроу-Хилл Райерсон. п.28. ISBN 978-0-07-095569-1. OCLC 63194770.
  46. ^ Ганем, Мустафа; Го, Йике; Роу, Энтони; Вендел, Патрик (2002). «Услуги по обнаружению знаний на основе гридов для высокопроизводительной информатики». Материалы 11-го Международного симпозиума IEEE по высокопроизводительным распределенным вычислениям. п. 416. Дои:10.1109 / HPDC.2002.1029946. ISBN 978-0-7695-1686-8.
  47. ^ Ганем, Мустафа; Курчин, Васа; Вендел, Патрик; Го, Ике (2009). «Построение и использование аналитических рабочих процессов в Discovery Net». Методы интеллектуального анализа данных в средах грид-вычислений. п. 119. Дои:10.1002 / 9780470699904.ch8. ISBN 9780470699904.
  48. ^ Каннатаро, Марио; Талия, Доменико (январь 2003 г.). «Сеть знаний: архитектура для обнаружения распределенных знаний» (PDF). Коммуникации ACM. 46 (1): 89–93. Дои:10.1145/602421.602425. Архивировано из оригинал (PDF) на 2011-11-10. Получено 17 октября 2011.
  49. ^ Талия, Доменико; Трунфио, Паоло (июль 2010 г.). «Как задачи распределенного интеллектуального анализа данных могут развиваться как службы знаний» (PDF). Коммуникации ACM. 53 (7): 132–137. CiteSeerX 10.1.1.378.2206. Дои:10.1145/1785414.1785451. Архивировано из оригинал (PDF) на 2011-10-27. Получено 17 октября 2011.

внешняя ссылка