書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >>
計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇)

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇)

出版社：機(jī)械工業(yè)出版社出版時(shí)間：2020-12-01
開本： 16開 頁(yè)數(shù)： 404
中 圖 價(jià):¥109.8(7.9折) 定價(jià)  ¥139.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇) 版權(quán)信息

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇) 本書特色

本書中文版分為基礎(chǔ)篇和進(jìn)階篇，深入探討了數(shù)據(jù)挖掘的各個(gè)方面，從基礎(chǔ)知識(shí)到復(fù)雜的數(shù)據(jù)類型及其應(yīng)用，涉及數(shù)據(jù)挖掘的各種問題領(lǐng)域。全書既有基本方法，也有進(jìn)階內(nèi)容，彼此融為一體，這使得本書既可以作為數(shù)據(jù)挖掘領(lǐng)域的工具書，也可以作為數(shù)據(jù)科學(xué)、人工智能、計(jì)算機(jī)等相關(guān)專業(yè)本科及研究生教材。 1、大數(shù)據(jù)和人工智能時(shí)代的數(shù)據(jù)挖掘教材，將數(shù)據(jù)挖掘歸納成四個(gè)基本問題：聚類、分類、關(guān)聯(lián)模式挖掘和異常分析，不僅詳解數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)，而且還介紹高級(jí)數(shù)據(jù)類型，結(jié)合復(fù)雜多樣的實(shí)際數(shù)據(jù)環(huán)境，探討數(shù)據(jù)挖掘的應(yīng)用場(chǎng)景和使用方法。 2、作譯者均為數(shù)據(jù)挖掘領(lǐng)域資深學(xué)者。作者是IBM T. J. Watson研究中心杰出研究員阿加沃爾博士，他擅長(zhǎng)將計(jì)算機(jī)科學(xué)問題提煉成數(shù)學(xué)問題，而且又能用計(jì)算機(jī)科學(xué)方法解決實(shí)際問題，本書是他的代表作之一。翻譯工作由國(guó)內(nèi)四位數(shù)據(jù)挖掘領(lǐng)域的翹楚，復(fù)旦大學(xué)王曉陽(yáng)教授、清華大學(xué)王建勇教授、加拿大約克大學(xué)禹曉輝教授、中科院計(jì)算所陳世敏研究員歷時(shí)5年時(shí)間完成，字斟句酌，精益求精。 3、全書注重原理和方法，既有基本方法，也有進(jìn)階內(nèi)容，幫助讀者在數(shù)據(jù)挖掘及人工智能應(yīng)用方面打下良好基礎(chǔ)。

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇) 內(nèi)容簡(jiǎn)介

全書理論聯(lián)系實(shí)際，全面講述數(shù)據(jù)挖據(jù)理論、技術(shù)及應(yīng)用的教材。研討了數(shù)據(jù)挖掘的方方面面，從基礎(chǔ)理論到復(fù)雜數(shù)據(jù)類型及其應(yīng)用。不僅討論傳統(tǒng)的數(shù)據(jù)挖掘問題，而且介紹了不錯(cuò)數(shù)據(jù)類型，例如文本、時(shí)間序列、離散序列、空間數(shù)據(jù)、圖數(shù)據(jù)和社會(huì)網(wǎng)絡(luò)。本書由基礎(chǔ)篇和進(jìn)階篇組成。基礎(chǔ)篇對(duì)應(yīng)原書的～11章，進(jìn)階篇對(duì)應(yīng)原書的2～20章。

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇) 目錄

目　錄

Data Mining: The Textbook

出版者的話

譯者序

前言

第1章　數(shù)據(jù)挖掘?qū)д?

1.1　引言1

1.2　數(shù)據(jù)挖掘過程2

1.2.1　數(shù)據(jù)預(yù)處理階段4

1.2.2　分析階段5

1.3　基本數(shù)據(jù)類型5

1.3.1　非依賴型數(shù)據(jù)5

1.3.2　依賴型數(shù)據(jù)7

1.4　主要數(shù)據(jù)挖掘模塊總覽11

1.4.1　關(guān)聯(lián)模式挖掘12

1.4.2　數(shù)據(jù)聚類13

1.4.3　異常檢測(cè)13

1.4.4　數(shù)據(jù)分類14

1.4.5　復(fù)雜數(shù)據(jù)類型對(duì)問題定義的影響15

1.5　可擴(kuò)展性問題和數(shù)據(jù)流場(chǎng)景17

1.6　應(yīng)用案例淺述17

1.6.1　商店商品布局17

1.6.2　客戶推薦18

1.6.3　醫(yī)療診斷18

1.6.4　Web日志異常檢測(cè)19

1.7　小結(jié)19

1.8　文獻(xiàn)注釋19

1.9　練習(xí)題20

第2章　數(shù)據(jù)準(zhǔn)備21

2.1　引言21

2.2　特征提取和類型轉(zhuǎn)換22

2.2.1　特征提取22

2.2.2　數(shù)據(jù)類型轉(zhuǎn)換23

2.3　數(shù)據(jù)清洗26

2.3.1　缺失項(xiàng)的處理27

2.3.2　錯(cuò)誤項(xiàng)和不一致項(xiàng)的處理28

2.3.3　縮放與標(biāo)準(zhǔn)化29

2.4　數(shù)據(jù)約簡(jiǎn)和轉(zhuǎn)換29

2.4.1　采樣30

2.4.2　特征子集選取32

2.4.3　基于坐標(biāo)軸旋轉(zhuǎn)的維度約簡(jiǎn)32

2.4.4　基于類型轉(zhuǎn)換的降維39

2.5　小結(jié)47

2.6　文獻(xiàn)注釋48

2.7　練習(xí)題48

第3章　相似度和距離50

3.1　引言50

3.2　多維數(shù)據(jù)50

3.2.1　定量型數(shù)據(jù)51

3.2.2　類別型數(shù)據(jù)58

3.2.3　定量型和類別型的混合數(shù)據(jù)59

3.3　文本相似性度量60

3.4　時(shí)態(tài)的相似性度量61

3.4.1　時(shí)間序列相似性度量61

3.4.2　離散序列相似性度量65

3.5　圖的相似性度量67

3.5.1　單個(gè)圖中兩個(gè)節(jié)點(diǎn)之間的相似度67

3.5.2　兩個(gè)圖之間的相似度68

3.6　有監(jiān)督的相似度函數(shù)69

3.7　小結(jié)70

3.8　文獻(xiàn)注釋70

3.9　練習(xí)題71

第4章　關(guān)聯(lián)模式挖掘73

4.1　引言73

4.2　頻繁模式挖掘模型74

4.3　關(guān)聯(lián)規(guī)則的生成框架76

4.4　頻繁項(xiàng)集挖掘算法77

4.4.1　暴力算法78

4.4.2　Apriori算法78

4.4.3　枚舉樹算法81

4.4.4　遞歸的基于后綴的模式生長(zhǎng)方法89

4.5　替代模型：有趣模式96

4.5.1　統(tǒng)計(jì)相關(guān)系數(shù)97

4.5.2　χ2度量97

4.5.3　興趣比率98

4.5.4　對(duì)稱置信度98

4.5.5　列的余弦系數(shù)98

4.5.6　Jaccard系數(shù)和min-hash技巧98

4.5.7　集體強(qiáng)度100

4.5.8　與負(fù)模式挖掘的關(guān)系100

4.6　有用的元算法100

4.6.1　采樣方法101

4.6.2　數(shù)據(jù)劃分集成法101

4.6.3　推廣到其他數(shù)據(jù)類型101

4.7　小結(jié)102

4.8　文獻(xiàn)注釋102

4.9　練習(xí)題104

第5章　關(guān)聯(lián)模式挖掘：高級(jí)概念106

5.1　引言106

5.2　模式匯總106

5.2.1　*大模式107

5.2.2　閉包模式108

5.2.3　近似頻繁模式109

5.3　模式查詢110

5.3.1　一次預(yù)處理多次查詢111

5.3.2　把限制條件放入模式挖掘115

5.4　關(guān)聯(lián)模式挖掘的應(yīng)用115

5.4.1　與其他數(shù)據(jù)挖掘問題的關(guān)系115

5.4.2　購(gòu)物籃分析116

5.4.3　用戶信息分析116

5.4.4　推薦和協(xié)同過濾116

5.4.5　Web日志分析117

5.4.6　生物信息學(xué)117

5.4.7　應(yīng)用于其他復(fù)雜數(shù)據(jù)類型117

5.5　小結(jié)118

5.6　文獻(xiàn)注釋118

5.7　練習(xí)題119

第6章　聚類分析120

6.1　引言120

6.2　聚類的特征選取121

6.2.1　過濾模型121

6.2.2　包裝模型124

6.3　基于代表點(diǎn)的算法124

6.3.1　k-means算法127

6.3.2　k-means內(nèi)核算法128

6.3.3　k-medians算法128

6.3.4　k-medoids算法129

6.4　層次聚類算法130

6.4.1　自底向上凝聚的方法131

6.4.2　自頂向下分裂的方法135

6.5　基于概率模型的算法135

6.6　基于網(wǎng)格和基于密度的算法139

6.6.1　基于網(wǎng)格的算法139

6.6.2　DBSCAN141

6.6.3　DENCLUE143

6.7　基于圖的算法147

6.8　非負(fù)矩陣分解149

6.9　聚類驗(yàn)證153

6.9.1　內(nèi)部驗(yàn)證度量153

6.9.2　外部驗(yàn)證度量155

6.9.3　評(píng)價(jià)158

6.10　小結(jié)158

6.11　文獻(xiàn)注釋158

6.12　練習(xí)題159

第7章　聚類分析：高級(jí)概念161

7.1　引言161

7.2　類別型數(shù)據(jù)的聚類162

7.2.1　基于代表點(diǎn)的算法162

7.2.2　層次算法164

7.2.3　概率算法165

7.2.4　基于圖的算法166

7.3　可擴(kuò)展的數(shù)據(jù)聚類167

7.3.1　CLARANS167

7.3.2　BIRCH168

7.3.3　CURE169

7.4　高維數(shù)據(jù)聚類170

7.4.1　CLIQUE172

7.4.2　PROCLUS172

7.4.3　ORCLUS174

7.5　半監(jiān)督聚類176

7.5.1　單點(diǎn)監(jiān)督177

7.5.2　成對(duì)監(jiān)督177

7.6　用戶監(jiān)督聚類與可視化監(jiān)督聚類178

7.6.1　現(xiàn)有聚類算法的變體178

7.6.2　可視化聚類179

7.7　集成聚類181

7.7.1　選擇不同的集成組件181

7.7.2　組合不同的集成組件182

7.8　聚類應(yīng)用183

7.8.1　應(yīng)用到其他數(shù)據(jù)挖掘問題183

7.8.2　客戶分類與協(xié)同過濾183

7.8.3　文本應(yīng)用184

7.8.4　多媒體應(yīng)用184

7.8.5　時(shí)態(tài)與序列應(yīng)用184

7.8.6　社交網(wǎng)絡(luò)分析184

7.9　小結(jié)184

7.10　文獻(xiàn)注釋184

7.11　練習(xí)題185

第8章　異常分析186

8.1　引言186

8.2　極值分析187

8.2.1　單變量極值分析188

8.2.2　多變量極值190

8.2.3　基于深度的方法191

8.3　概率模型192

8.4　異常檢測(cè)的聚類方法193

8.5　基于距離的異常檢測(cè)195

8.5.1　剪枝方法195

8.5.2　局部距離修正方法197

8.6　基于密度的方法200

8.6.1　基于統(tǒng)計(jì)直方圖和網(wǎng)格的技術(shù)200

8.6.2　核密度估計(jì)201

8.7　信息論模型201

8.8　異常點(diǎn)正確性203

8.8.1　方法論上的挑戰(zhàn)203

8.8.2　接收者工作特征（ROC）曲線203

8.8.3　常見錯(cuò)誤205

8.9　小結(jié)205

8.10　文獻(xiàn)注釋205

8.11　練習(xí)題206

第9章　異常分析：高級(jí)概念208

9.1　引言208

9.2　類別型數(shù)據(jù)上的異常檢測(cè)208

9.2.1　概率模型209

9.2.2　聚類和基于距離的方法210

9.2.3　二元和集合取值的數(shù)據(jù)210

9.3　高維異常檢測(cè)210

9.3.1　基于網(wǎng)格的罕見子空間探索212

9.3.2　隨機(jī)子空間采樣214

9.4　異常點(diǎn)集成分析215

9.4.1　根據(jù)成員獨(dú)立性的分類216

9.4.2　根據(jù)構(gòu)成成員的分類217

9.4.3　歸一化與合并218

9.5　異常分析的應(yīng)用219

9.5.1　質(zhì)量控制和故障檢測(cè)219

9.5.2　金融詐騙和異常事件219

9.5.3　網(wǎng)站日志分析219

9.5.4　入侵檢測(cè)應(yīng)用219

9.5.5　生物學(xué)和醫(yī)學(xué)應(yīng)用220

9.5.6　地球科學(xué)應(yīng)用220

9.6　小結(jié)220

9.7　文獻(xiàn)注釋220

9.8　練習(xí)題221

第10章　數(shù)據(jù)分類222

10.1　引言222

10.2　分類的特征選擇224

10.2.1　過濾模型224

10.2.2　包裝模型227

10.2.3　嵌入式模型228

10.3　決策樹228

10.3.1　劃分準(zhǔn)則231

10.3.2　停止準(zhǔn)則與剪枝232

10.4　基于規(guī)則的分類器233

10.4.1　決策樹規(guī)則生成234

10.4.2　順序覆蓋算法235

10.4.3　規(guī)則剪枝238

10.4.4　關(guān)聯(lián)分類器238

10.5　概率分類器239

10.5.1　樸素貝葉斯分類器239

10.5.2　邏輯回歸242

10.6　SVM245

10.6.1　線性可分?jǐn)?shù)據(jù)的SVM245

10.6.2　不可分?jǐn)?shù)據(jù)的SVM軟間隔實(shí)現(xiàn)250

10.6.3　非線性SVM252

10.6.4　內(nèi)核技巧253

10.7　神經(jīng)網(wǎng)絡(luò)256

10.7.1　單層神經(jīng)網(wǎng)絡(luò)：感知器257

10.7.2　多層神經(jīng)網(wǎng)絡(luò)258

10.7.3　不同線性模型的比較260

10.8　基于實(shí)例的學(xué)習(xí)261

10.8.1　*近鄰分類器的設(shè)計(jì)差異261

10.9　分類器評(píng)估263

10.9.1　方法論問題263

10.9.2　量化問題265

10.10　小結(jié)269

10.11　文獻(xiàn)注釋269

10.12　練習(xí)題270

第11章　數(shù)據(jù)分類：高級(jí)概念272

11.1　引言272

11.2　多類別學(xué)習(xí)273

11.3　稀有類別學(xué)習(xí)274

11.3.1　樣例重加權(quán)275

11.3.2　樣例重采樣275

11.4　可擴(kuò)展分類276

11.4.1　可擴(kuò)展的決策樹276

11.4.2　可擴(kuò)展的SVM277

11.5　數(shù)值型類別的回歸模型278

11.5.1　線性回歸278

11.5.2　主成分回歸281

11.5.3　廣義線性模型282

11.5.4　非線性和多項(xiàng)式回歸283

11.5.5　由決策樹至回歸樹284

11.5.6　模型有效性評(píng)估285

11.6　半監(jiān)督學(xué)習(xí)285

11.6.1　通用元算法287

11.6.2　分類算法的具體變種288

11.6.3　基于圖的半監(jiān)督學(xué)習(xí)290

11.6.4　對(duì)半監(jiān)督學(xué)習(xí)的討論291

11.7　主動(dòng)學(xué)習(xí)291

11.7.1　基于異構(gòu)性的模型293

11.7.2　基于性能的模型294

11.7.3　基于代表性的模型295

11.8　集成方法296

11.8.1　為什么集成分析有效297

11.8.2　偏差-方差折中的正式表述299

11.8.3　集成學(xué)習(xí)的具體實(shí)例化301

11.9　小結(jié)305

11.10　文獻(xiàn)注釋305

11.11　練習(xí)題306

第12章　數(shù)據(jù)流挖掘308

12.1　引言308

12.2　流中的概要數(shù)據(jù)結(jié)構(gòu)309

12.2.1　蓄水池采樣309

12.2.2　海量域場(chǎng)景的概述結(jié)構(gòu)315

12.3　數(shù)據(jù)流中的頻繁模式挖掘325

12.3.1　利用概要結(jié)構(gòu)325

12.3.2　有損計(jì)數(shù)算法325

12.4　數(shù)據(jù)流聚類326

12.4.1　STREAM算法326

12.4.2　CluStream算法328

12.4.3　海量域場(chǎng)景的流聚類331

12.5　流的異常檢測(cè)332

12.5.1　單個(gè)數(shù)據(jù)點(diǎn)作為異常點(diǎn)332

12.5.2　聚集變化點(diǎn)作為異常點(diǎn)333

12.6　流分類335

12.6.1　VFDT家族335

12.6.2　有監(jiān)督的微簇方法337

12.6.3　集成方法337

12.6.4　海量域流的分類337

12.7　小結(jié)338

12.8　文獻(xiàn)注釋338

12.9　練習(xí)題338

第13章　文本數(shù)據(jù)挖掘340

13.1　引言340

13.2　文檔準(zhǔn)備和相似度計(jì)算341

13.2.1　文檔歸一化和相似度計(jì)算342

13.2.2　專用于Web文檔的預(yù)處理343

13.3　專用于文本的聚類方法344

13.3.1　基于代表點(diǎn)的算法344

13.3.2　概率算法346

13.3.3　同步發(fā)現(xiàn)文檔簇和詞簇347

13.4　主題建模349

13.4.1　維度約簡(jiǎn)中的使用以及與潛在語(yǔ)義分析的對(duì)比351

13.4.2　聚類中的使用以及與概率聚類的對(duì)比353

13.4.3　PLSA的局限性354

13.5　專用于文本的分類方法354

13.5.1　基于實(shí)例的分類器354

13.5.2　貝葉斯分類器356

13.5.3　高維稀疏數(shù)據(jù)的SVM分類器358

13.6　新事物和首發(fā)故事檢測(cè)360

13.7　小結(jié)360

13.8　文獻(xiàn)注釋361

13.9　練習(xí)題361

參考文獻(xiàn)362


展開全部

計(jì)算機(jī)科學(xué)叢書數(shù)據(jù)挖掘:原理與實(shí)踐(基礎(chǔ)篇) 作者簡(jiǎn)介

作者簡(jiǎn)介： 查魯·C. 阿加沃爾（Charu C. Aggarwal）是IBM T. J. Watson研究中心的杰出研究人員，于1996年獲麻省理工學(xué)院博士學(xué)位。他對(duì)數(shù)據(jù)挖掘領(lǐng)域有著廣泛的研究，在國(guó)際會(huì)議和期刊上發(fā)表了250多篇論文，擁有80多項(xiàng)專利。他曾三次被評(píng)為IBM的“杰出發(fā)明人”，并曾獲得IBM公司獎(jiǎng)、IBM杰出創(chuàng)新獎(jiǎng)和兩項(xiàng)IBM杰出技術(shù)成就獎(jiǎng)。他因?yàn)樘岢龌诶淠臄?shù)據(jù)挖掘中的隱私保護(hù)技術(shù)而獲得EDBT2014的時(shí)間檢驗(yàn)獎(jiǎng)。他還獲得了IEEE ICDM研究貢獻(xiàn)獎(jiǎng)（2015），這是數(shù)據(jù)挖掘領(lǐng)域?qū)哂型怀鲐暙I(xiàn)的研究的兩個(gè)*高獎(jiǎng)項(xiàng)之一。 他曾多次擔(dān)任ACM/IEEE知名國(guó)際學(xué)術(shù)會(huì)議的主席或程序委員會(huì)主席，并擔(dān)任大數(shù)據(jù)相關(guān)多個(gè)知名期刊的主編或編委。由于在知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘算法上的貢獻(xiàn)，他入選SIAM、ACM和IEEE的會(huì)士。 譯者簡(jiǎn)介： 王曉陽(yáng) 復(fù)旦大學(xué)特聘教授、博士生導(dǎo)師，中國(guó)計(jì)算機(jī)學(xué)會(huì)會(huì)士，ACM會(huì)員，IEEE高級(jí)會(huì)員。主要研究興趣為大數(shù)據(jù)分析、數(shù)據(jù)安全等。于復(fù)旦大學(xué)獲得計(jì)算機(jī)科學(xué)學(xué)士、碩士學(xué)位，于美國(guó)南加州大學(xué)獲得計(jì)算機(jī)科學(xué)博士學(xué)位。曾在美國(guó)喬治梅森大學(xué)、美國(guó)佛蒙特大學(xué)、美國(guó)國(guó)家科學(xué)基金會(huì)任職。2011年至今在復(fù)旦大學(xué)任職。主持多項(xiàng)美國(guó)國(guó)家科學(xué)基金項(xiàng)目、中國(guó)國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目、自然科學(xué)基金重點(diǎn)項(xiàng)目、上海市重大科研項(xiàng)目等，并發(fā)表過百余篇高質(zhì)量學(xué)術(shù)論文，現(xiàn)任Springer DSE期刊主編，IEEE ICDE會(huì)議系列、IEEE BigComp會(huì)議系列指導(dǎo)委員會(huì)委員，曾任CCF上海分部主席，IEEE ICDE 2012及ACM CIKM 2014總主席，WAIM會(huì)議系列指導(dǎo)委員會(huì)主席。曾獲得美國(guó)國(guó)家科學(xué)基金CAREER Award。 王建勇 清華大學(xué)計(jì)算機(jī)系教授，國(guó)際電器與電子工程師協(xié)會(huì)會(huì)士（IEEE Fellow），中國(guó)人工智能學(xué)會(huì)會(huì)士（CAAI Fellow），江蘇省大數(shù)據(jù)安全與智能處理重點(diǎn)實(shí)驗(yàn)室首屆學(xué)術(shù)委員會(huì)副主任。主要研究領(lǐng)域?yàn)閿?shù)據(jù)挖掘及知識(shí)發(fā)現(xiàn)。迄今發(fā)表論文100余篇（其中單篇*高引用2000余次）。曾擔(dān)任IEEE ICDM’19、WISE’15、BioMedCom’14、WAIM’13、ADMA’11、NDBC’10等會(huì)議的程序委員會(huì)聯(lián)合主席以及IEEE TKDE、ACM TKDD和《軟件學(xué)報(bào)》等期刊的編委。入選2007年度教育部“新世紀(jì)優(yōu)秀人才”支持計(jì)劃和2009年度日本大川研究基金資助計(jì)劃。獲得WWW’08的Best Posters Award、2009年度和2010年度HP實(shí)驗(yàn)室創(chuàng)新研究獎(jiǎng)以及教育部2013年度自然科學(xué)獎(jiǎng)二等獎(jiǎng)。 禹曉輝 南京大學(xué)學(xué)士、香港中文大學(xué)碩士、加拿大多倫多大學(xué)博士，加拿大約克大學(xué)副教授，山東大學(xué)兼職教授、博士生導(dǎo)師，中國(guó)計(jì)算機(jī)學(xué)會(huì)大數(shù)據(jù)專委會(huì)委員、數(shù)據(jù)庫(kù)專委會(huì)委員。研究工作主要集中在大數(shù)據(jù)管理和分析領(lǐng)域，研究方向涵蓋時(shí)空大數(shù)據(jù)處理與挖掘、面向人工智能的數(shù)據(jù)管理、社交媒體挖掘等。主持加拿大自然科學(xué)與工程理事會(huì)基金、中國(guó)國(guó)家自然科學(xué)基金等多項(xiàng)國(guó)家和工業(yè)界資助的科研項(xiàng)目。在IEEE Trans. on Knowl. & Data Eng.及SIGMOD、VLDB、ICDE等國(guó)內(nèi)外期刊和會(huì)議上發(fā)表高質(zhì)量論文近100篇，是3項(xiàng)美國(guó)專利的發(fā)明人。曾任WAIM2015、CloudDM2015等知名國(guó)際會(huì)議的程序委員會(huì)主席，是國(guó)際期刊Information Systems（Elsevier）的編委、加拿大自然科學(xué)與工程理事會(huì)NSERC特邀評(píng)審專家。 陳世敏 中科院計(jì)算所研究員，中國(guó)科學(xué)院大學(xué)崗位教師，分別于1997年和1999年獲得清華大學(xué)計(jì)算機(jī)系學(xué)士和碩士學(xué)位，于2005年在美國(guó)卡內(nèi)基梅隆大學(xué)獲得計(jì)算機(jī)科學(xué)博士學(xué)位。主要研究方向?yàn)閿?shù)據(jù)庫(kù)系統(tǒng)和大數(shù)據(jù)系統(tǒng)。曾在SIGMOD、ISCA、VLDB、ASPLOS、ICDE、CIDR等頂級(jí)國(guó)際會(huì)議和ACM TODS、IEEE TKDE等頂級(jí)國(guó)際期刊發(fā)表過論文，并獲得ICDE’04 Best Paper、SIGMOD’01 Runner-up Best Paper和2008年體系結(jié)構(gòu)國(guó)際會(huì)議年度頂級(jí)論文獎(jiǎng)（Top Picks’08）。曾擔(dān)任PVLDB 2017、ICDE 2018、ICDCS 2016、CIKM 2014等會(huì)議的PC Area Chair，長(zhǎng)期擔(dān)任大數(shù)據(jù)新硬件技術(shù)的主要Workshop HardBD的Co-Chair。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
返回頂部
中圖網(wǎng)
在線客服