Temporal Data Mining & מערכות המלצהחינם לחברי האיגוד

Mining או ניתוח נתונים עתיים, הטרוגניים ומרובי משתנים, הוא אחד הנושאים המאתגרים ביותר במדעי הנתונים בעידן ה-IOT בכלל, ובתחומים מסוימים, כגון בריאות, בפרט. ניתן לדגום נתונים עתיים בתדירות קבועה, בדרך כלל כאשר הם נמדדים באמצעים אלקטרוניים. אך גם בתדירות לא קבועה (אירגולרית), שאופיני לנתונים ביו-רפואיים, או במערכות המופעלות על ידי ארועים. נתונים עתיים גולמיים יכולים להיות מיוצגים על ידי ערך רציף או נומינלי המיוצג על ידי ארועים בעלי משכי זמן קבועים או משתנים.

בהרצאה זו, יציג ד"ר רוברט מושקוביץ מאוניברסיטת בן-גוריון את הרעיון של הפיכת סדרות עתיות לסדרות של ארועים בעלי משכי זמן בעלי משמעות, תוך שימוש בתהליך הנקרא לעתים קרובות "הפשטה עתית", כדי להביא את כל המשתנים העתיים, בעלי ייצוגים שונים, לייצוג אחיד. לאחר מכן, יוצג האלגוריתם KarmaLego שמשמש לכריית תבניות שכיחות של משכי זמן (TIRP), המיוצגים באמצעות היחסים העתיים של אלן. ניתן להשתמש בתבניות אלו לגילוי ידע עתי, וסיווג נתונים עתיים מרובי משתנים, באמצעות התשתית KarmaLegoS, שבו התבניות משמשות כפרדיקטורים לסיווג. על מנת להגביר את דיוק הסיווג, תוצג שיטת דסקרטיזציה עתית לטובת סיווג (TD4C), כולל הערכה על שלושה בסיסי נתונים אמיתיים מהתחום הביו-רפואי. לבסוף, התוצאות של השימוש ב- TIRPs עבור חיזוי התוצאות בנתוני המטופל, כגון פרוצדורות או אבחנות, יוכחו בנתוני רשומות רפואיות של המרכז הרפואי של אוניברסיטת קולומביה בניו יורק.

מערכות המלצה מציעות באופן אקטיבי פריטים למשתמשים, במטרה להקל על המשתמשים למצוא פריטים רלוונטיים עבורם, ולהגדיל את צריכת הפריטים. בהרצאה זו ידון ד"ר גיא שני מאוניברסיטת בן-גוריון במערכות המלצה באופן כללי, עם דגש על מספר אפליקציות מתחומים שונים. הוא ידון במספר בעיות מרכזיות בתחום – חיזוי רייטינג, המלצה, ודירוג. ידון גם בשתי הגישות העיקריות לחישוב פריטים מומלצים – גישה מבוססת תוכן וגישת ה-collaborative filtering. גיא יתמקד בגישה הפופולרית יותר, גישת ה-collaborative filtering, וידון במספר משפחות של אלגוריתמים לחישוב המלצות.