Data Mining And Knowledge Discovery

ISI

آخرین بروز رسانی آگوست ۲۰۲۳

Scopus

آخرین بروز رسانی فوریه ۲۰۲۲

این مجله در فهرست مجلات Scopus قرار دارد و با نام Data Mining and Knowledge Discovery ثبت شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:

SCImago

آخرین بروز رسانی ژانویه ۲۰۲۰

بر اساس دسته بندی این بنیاد این مجله در دسته Q1 قرار دارد

رشته تخصصی و رتبه مجله در آن رشته:

اهداف مجله

پیشرفت در جمع آوری، ذخیره سازی و توزیع داده ها نیاز به ابزارها و تکنیک های محاسباتی را برای کمک به تجزیه و تحلیل داده ها ایجاد کرده است. داده کاوی و کشف دانش در پایگاه‌های داده (KDD) یک حوزه تحقیقاتی و کاربردی است که به سرعت در حال رشد است که بر اساس تکنیک‌ها و نظریه‌های بسیاری از زمینه‌ها از جمله آمار، پایگاه‌های اطلاعاتی، تشخیص و یادگیری الگو، تجسم داده‌ها، مدل‌سازی عدم قطعیت، انبار داده و OLAP است. بهینه سازی و محاسبات با کارایی بالا KDD با مسائل مقیاس‌پذیری، فرآیند کشف دانش چند مرحله‌ای برای استخراج الگوها و مدل‌های مفید از فروشگاه‌های داده خام (شامل تمیز کردن داده‌ها و مدل‌سازی نویز) و مسائل قابل درک کردن الگوهای کشف‌شده مرتبط است. داده کاوی و اکتشاف دانش برترین نشریه فنی در این زمینه است که منبعی را برای جمع آوری روش ها و تکنیک های رایج مرتبط و انجمنی برای متحد کردن جوامع مختلف تحقیقاتی تشکیل دهنده ارائه می دهد. این مجله مقالات فنی اصلی را در زمینه تحقیق و عمل DMKD، نظرسنجی ها و آموزش های حوزه ها و تکنیک های مهم، و توضیحات مفصل در مورد کاربردهای مهم منتشر می کند. خلاصه برنامه های کوتاه (2-4 صفحه) در بخش ویژه منتشر می شود. این مجله مقالات ارسالی هر اثر مرتبط با DMKD را می پذیرد. خلاصه ای از حوزه داده کاوی و کشف دانش شامل موارد زیر است: نظریه و مسائل بنیادی: بازنمایی داده ها و دانش. مدل سازی داده های ساخت یافته، متنی و چند رسانه ای؛ مدیریت عدم قطعیت؛ معیارهای جذابیت و سودمندی دانش کشف شده؛ مسائل مربوط به پیچیدگی الگوریتمی، کارایی و مقیاس پذیری در داده کاوی؛ آمار بیش از مجموعه داده های عظیم روش‌های داده کاوی: شامل طبقه‌بندی، خوشه‌بندی، مدل‌سازی احتمالی، پیش‌بینی و تخمین، تحلیل وابستگی، جستجو و بهینه‌سازی. الگوریتم های داده کاوی شامل داده های فضایی، متنی و چند رسانه ای (به عنوان مثال، وب)، مقیاس پذیری به پایگاه های داده بزرگ، تکنیک های داده کاوی موازی و توزیع شده، و عوامل کشف خودکار. فرآیند کشف دانش: پیش پردازش داده برای داده کاوی، از جمله پاکسازی داده ها، انتخاب، نمونه برداری کارآمد و روش های کاهش داده. ارزیابی، تثبیت و تبیین دانش کشف شده؛ تجسم داده ها و دانش؛ اکتشاف و کشف داده های تعاملی مسائل کاربردی: مطالعات موردی کاربردی. سیستم ها و ابزارهای داده کاوی؛ جزئیات موفقیت ها و شکست های KDD؛ کشف منبع/دانش در وب؛ مسائل مربوط به حریم خصوصی و امنیتی