도메인 기반 데이터 마이닝

Domain driven data mining

도메인 기반 데이터 마이닝은 실행 가능한 지식을 발견하고 복잡한 환경에서 복잡한 데이터와 동작으로부터 실행 가능한 통찰력을 제공하기 위한 데이터 마이닝 방법론이다.실행 가능한 지식 발견을 위한 해당 기초, 프레임워크, 알고리즘, 모델, 아키텍처 및 평가 시스템을 연구한다.[1][2]null

데이터베이스에서[3] 데이터 기반 패턴 마이닝과 지식 검색은 발견된 출력이 종종 실행 불가능할 정도로 어려움에 직면한다.빅데이터 시대에는 복잡한 데이터와 환경에서 실행 가능한 통찰력을 어떻게 효과적으로 발견하느냐가 중요하다.중요한 패러다임의 변화는 데이터 중심 패턴 마이닝에서 도메인 중심의 실행 가능한 지식 발견으로 진화한 것이다.[4][5][6]도메인 기반 데이터 마이닝은 실행 가능한 지식과 실행 가능한 통찰력의 발견과 전달을 가능하게 한다.null

도메인 기반 데이터 마이닝은 학계와 업계 모두에서 상당한 관심을 끌었다.2007~2014년 IEEE 국제 데이터 마이닝 컨퍼런스와 함께 도메인 기반 데이터 마이닝에 관한 워크숍 시리즈와 IEEE 지식 및 데이터 엔지니어링 거래에서 발행한 특별 호가 있었다.[7]심층 신경망, 그래프 임베딩, 텍스트 마이닝, 강화학습 등 데이터 마이닝 프로세스와 모델에 도메인 지식을 접목하는 것이 매우 중요한 지난 10년간 다양한 새로운 연구 문제점과 과제가 있다.[8][9]null

실행 가능한 지식

실행 가능한 지식(activable knowledge)은 의사결정 행동을 알리고 의사결정 행동으로 전환될 수 있는 지식을 말한다.[5][10]데이터 마이닝과 머신러닝 소견의 실행가능성은 지식 실행성이라고도 하며, 기술적(통계적)과 비즈니스 지향적 평가 지표 또는 대책 모두를 객관적 및/또는 주관적 관점에서 만족시키는 것을 말한다.실행 가능한 지식 발견에 대한 연구와 혁신은 다중 기능, 다중 소스 또는 다중 방법 시나리오에서 복잡한 지식을 위한 복잡한 데이터를 채굴함으로써 지식 발견에서 실행 가능한 지식 발견 및 전달로[14][15] 패러다임의 전환으로 간주될 수 있다.[16]null

실행 가능한 통찰력

실행 가능한 통찰력을 통해 사물이나 사물과 그 특성, 사건, 이야기, 발생, 패턴, 예외, 그리고 데이터 세계에 숨겨져 있는 진화 및 역동성과 통찰력 위에 해당하는 의사결정 행동을 정확하고 심층적으로 이해할 수 있다.실행 가능한 지식은 실행 가능한 통찰력을 공개할 수 있다.null

참조

  1. ^ Cao, L.; Zhao, Y.; Yu, P.; Zhang, C. (2010). Domain Driven Data Mining. Springer. ISBN 978-1-4419-5737-5.
  2. ^ Zhang, C.; Yu, P. S.; Bell, D. (June 2010). "IEEE TKDE Special Issue on Domain-driven Data Mining". IEEE Transactions on Knowledge and Data Engineering. 22 (6): 753–754. doi:10.1109/TKDE.2010.74.
  3. ^ Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. (1996). "From Data Mining to Knowledge Discovery in Databases". AI Magazine. 17 (3): 37–54.
  4. ^ Fayyad, U.; et al. (2003). "Summary from the KDD-03 Panel—Data Mining: The Next 10 Years". ACM SIGKDD Explorations Newsletter. 5 (2): 191–196. doi:10.1145/980972.981004. S2CID 37284526.
  5. ^ 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". IEEE Intelligent Systems. 22 (4): 78–89. doi:10.1109/MIS.2007.67. S2CID 15928505.
  6. ^ Fayyad, U.; Smyth, P. (1996). "From Data Mining to Knowledge Discovery: An Overview". Advances in Knowledge Discovery and Data Mining, (U. Fayyad and P. Smyth, Eds.): 1–34.
  7. ^ "DDDM".
  8. ^ "International Workshop on Domain-driven Data Mining (DDDM)".
  9. ^ "International Journal of Data Science and Analytics".
  10. ^ Yang, Q.; et al. (2007). "Extracting Actionable Knowledge from Decision Trees". IEEE Trans. Knowledge and Data Engineering. 19 (1): 43–56. doi:10.1109/TKDE.2007.250584. S2CID 18053232.
  11. ^ Hilderman, R.; Hamilton, H. (2000). "Applying Objective Interestingness Measures in Data Mining Systems". Pkdd2000: 432–439.
  12. ^ Freitas, A. (1998). "On Objective Measures of Rule Surprisingness". Proc. European Conf. Principles and Practice of Knowledge Discovery in Databases: 1–9.
  13. ^ Liu, B. (2000). "Analyzing the Subjective Interestingness of Association Rules". IEEE Intelligent Systems. 15 (5): 47–55. doi:10.1109/5254.889106.
  14. ^ 룽빙 조, 옌창 자오, 화이펑 장, 단루오, 청치 장.실행 가능한 지식 검색, IEEE 트랜스를 위한 유연한 프레임워크.지식 및 데이터 엔지니어링 관련, 22(9): 1299-1312, 2010
  15. ^ 룽빙 조실행 가능한 지식 검색 및 전달, WILLs 데이터 마이닝 및 지식 검색, 2(2): 149-163, 2012
  16. ^ 룽빙 조복합 마이닝: 복잡하지만 실행 가능한 패턴, WILLs 데이터 마이닝 및 지식 검색을 위한 객체 및 패턴 관계 분석, 3(2): 140-155, 2013