Data Science And Engineering

ISI

آخرین بروز رسانی مارس ۲۰۲۳

Scopus

آخرین بروز رسانی فوریه ۲۰۲۲

این مجله در فهرست مجلات Scopus قرار دارد و با نام Data Science and Engineering 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 Q2 قرار دارد

رشته تخصصی و رتبه مجله در آن رشته:

اهداف مجله

مجله علوم و مهندسی داده (DSE) به تغییر قابل توجه در تمرکز توسعه فناوری اطلاعات از محاسبات فشرده CPU به محاسبات فشرده داده پاسخ می دهد، جایی که کاربرد موثر داده ها، به ویژه داده های بزرگ، حیاتی می شود. رشته نوظهور علم و مهندسی داده، رشته ای بین رشته ای که نظریه ها و روش های علوم کامپیوتر، آمار، علم اطلاعات و سایر زمینه ها را ادغام می کند، بر پایه ها و مهندسی تکنیک ها و سیستم های کارآمد و موثر برای جمع آوری و مدیریت داده ها، برای یکپارچه سازی داده ها تمرکز دارد. و همبستگی، برای استخراج اطلاعات و دانش از مجموعه داده های عظیم، و برای استفاده از داده ها در حوزه های کاربردی مختلف. هدف DSE با تمرکز بر پیشینه نظری و رویکردهای مهندسی پیشرفته، ارائه یک انجمن اصلی برای محققان، متخصصان و متخصصان صنعتی است تا دانش خود را در این زمینه به سرعت در حال رشد به اشتراک بگذارند. این پوشش عمیقی از آخرین پیشرفت ها در زمینه های مرتبط نزدیک علوم داده و مهندسی داده ارائه می دهد. به طور خاص تر، DSE چهار حوزه را پوشش می دهد: (1) خود داده ها، یعنی ماهیت و کیفیت داده ها، به ویژه داده های بزرگ. (2) اصول استخراج اطلاعات از داده ها، به ویژه داده های بزرگ؛ (iii) تئوری پشت محاسبات فشرده داده. و (IV) تکنیک ها و سیستم های مورد استفاده برای تجزیه و تحلیل و مدیریت کلان داده ها. DSE از مقالاتی که موضوعات فوق را بررسی می کنند استقبال می کند. موضوعات خاص شامل، اما محدود به موارد زیر نیست: (الف) ماهیت و کیفیت داده ها، (ب) پیچیدگی محاسباتی محاسبات فشرده داده، (ج) روش های جدید برای طراحی و تجزیه و تحلیل الگوریتم ها برای حل مسائل بزرگ ورودی داده، (د) جمع‌آوری و ادغام داده‌های جمع‌آوری‌شده از اینترنت و دستگاه‌های سنجش یا شبکه‌های حسگر، (ه) نمایش، مدل‌سازی، و تجسم داده‌های بزرگ، (f) ذخیره‌سازی، انتقال و مدیریت داده‌های بزرگ، (ز) روش‌ها و الگوریتم‌های محاسبات فشرده داده، مانند استخراج داده‌های بزرگ، پردازش تحلیل آنلاین داده‌های بزرگ، یادگیری ماشین مبتنی بر داده‌های بزرگ، تصمیم‌گیری مبتنی بر داده‌های بزرگ، محاسبه آماری داده‌های بزرگ، محاسبه گراف-نظری داده‌های بزرگ، جبری خطی محاسبه داده های بزرگ و بهینه سازی مبتنی بر داده های بزرگ. (ح) سیستم‌های سخت‌افزاری و سیستم‌های نرم‌افزاری برای محاسبات فشرده داده، (i) امنیت داده‌ها، حریم خصوصی و اعتماد، و (j) برنامه‌های کاربردی جدید داده‌های بزرگ.