Η επιστήμη των δεδομένων μέσα από τη γλώσσα R

Abstract

Η αυξανόμενη συσσώρευση μεγάλων ποσοτήτων δεδομένων δημιουργεί νέες ευκαιρίες στους εξής τομείς: επιστήμη, οικονομία, εκπαίδευση, έρευνα κλπ. Παλαιότερα είτε η αποθήκευση τέτοιων δεδομένων δεν ήταν εφικτή, είτε η ανάλυσή τους ξεπερνούσε κατά πολύ τις υπολογιστικές δυνατότητες των σύγχρονων υπολογιστικών συστημάτων. Σήμερα που έχει επέλθει η τεχνολογική σύγκλιση στους παραπάνω τομείς, υπάρχει ανάγκη για την εκπαίδευση επιστημόνων οι οποίοι θα μπορούν να αντεπεξέλθουν στις σύγχρονες ανάγκες, δίνοντας λύσεις σε σοβαρά ζητήματα μέσω της ευφυούς ανάλυσης δεδομένων. Σκοπός του βιβλίου είναι να καταγράψει τις βασικές αρχές που διέπουν τη νέα αυτή επιστήμη των δεδομένων, που είναι γνωστή και ως Εξόρυξη Δεδομένων. Το βιβλίο ξεκινάει με την περιγραφή της υπάρχουσας κατάστασης στον τομέα της εξόρυξης γνώσης από τα δεδομένα, τους τομείς στους οποίους αυτή βασίζεται και τις νέες προκλήσεις. Στη συνέχεια, καλύπτει ζητήματα πολυδιάστατων δεδομένων και δημιουργίας αναφορών, όπως και ζητήματα νέων μορφών βάσεων δεδομένων, (NoSQL συστήματα). Οι τύποι και η ποιότητα των δεδομένων αποτελούν αναπόσπαστο κομμάτι του βιβλίου, που μαζί με την επεξεργασία και τα μέτρα ομοιότητας αποτελούν τη βάση ενός έργου εξόρυξης δεδομένων. Η συνοπτική στατιστική και η οπτικοποίηση αποτελούν το πρώτο βήμα για την εξερεύνηση των δεδομένων. Το κύριο κομμάτι του βιβλίου αφορά τη λεπτομερή περιγραφή και ανάλυση εναλλακτικών αλγορίθμων για την εκπόνηση των βασικών λειτουργιών της Εξόρυξης Δεδομένων, οι οποίες είναι η Κατηγοριοποίηση, η Ανάλυση Συσχετίσεων και η Ανάλυση Συστάδων. Πιο προχωρημένα ζητήματα που αφορούν την εκτίμηση των παραγόμενων μοντέλων, τη σύγκρισή τους και τη γρηγορότερη εκτέλεσή τους επίσης καλύπτονται στο τελευταίο κομμάτι του βιβλίου. Όλα τα θέματα αναλύονται σε βάθος μέσω προγραμμάτων στη γλώσσα R. Ένας μεγάλος αριθμός από λυμένες ασκήσεις βοηθά στην κατανόηση και στην εμπέδωση των εννοιών, ενώ άλυτα προβλήματα βοηθούν τον φοιτητή να αναπτύξει μια ολοκληρωμένη άποψη για το θέμα αυτό.

The increasing accumulation of large amounts of data creates new opportunities in the following areas: science, economy, education, research, etc. In the past, either the storage of such data was not feasible or its analysis was far beyond the computational capabilities of modern computer systems. Today, with the technological convergence in the above mentioned areas, there is a need to train scientists who will be able to cope with modern needs, providing solutions to serious issues through intelligent data analysis. The purpose of this book is to document the basic principles underlying this new data science, also known as Data Mining. The book starts with a description of the current state of the art in data mining, the domains on which it is based and the new challenges. It then covers issues of multidimensional data and report generation, as well as issues of new database formats, (NoSQL systems). Data types and data quality are an integral part of the book, which together with processing and similarity measures form the basis of a data mining project. Summary statistics and visualization are the first step in data exploration. The main part of the book deals with the detailed description and analysis of alternative algorithms for performing the basic functions of Data Mining, which are Categorization, Correlation Analysis and Cluster Analysis. More advanced issues concerning the estimation of the generated models, their comparison and faster execution are also covered in the last part of the book. All topics are discussed in depth through programs in the R language. A large number of solved exercises help to understand and consolidate the concepts, while solvable problems help the student to develop a comprehensive view on the subject.