0

دانلود کتاب طراحی گراف‌های دانش معنایی: راهنمایی برای به‌کارگیری فناوری‌های وب معنایی جهت مدیریت چابک داده‌ها

  • عنوان کتاب: Feature Selection in Machine Learning Over 20 methods to select the most predictive features and build simpler, faster, and
  • نویسنده: Michael DeBellis
  • حوزه: وب معنایی
  • تعداد صفحه: 490
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 13.0 مگابایت

در هسته خود، یک نمودار دانش، داده‌هایی است که به صورت نمودار سازماندهی شده و در یک پایگاه داده نمودار ذخیره می‌شوند (Singhal, 2012). یک نمودار دانش معنایی (SKG) یک لایه حیاتی اضافه می‌کند: این یک نمودار دانش است که بر اساس مدل‌های منطقی معروف به هستی‌شناسی ساخته شده است و معنای غنی ارائه می‌دهد و امکان استدلال خودکار را در بین داده‌ها فراهم می‌کند. ایده هستی‌شناسی به اولین روزهای هوش مصنوعی (AI) برمی‌گردد (DeBellis & Neches, 2023). هستی‌شناسی یک طرح رسمی و منطقی از یک حوزه موضوعی است – که مفاهیم، روابط و قوانین را با استفاده از مدل‌های سطح بالا تعریف می‌کند که درک آنها برای متخصصان حوزه آسان است و می‌توان از آنها به عنوان پایه‌ای برای ذخیره‌سازی و محاسبات کارآمد و مقیاس‌پذیر داده‌ها استفاده کرد. بسیاری از زبان‌های آزمایشی برای هستی‌شناسی‌ها آمده و رفته‌اند. اما در سیستم‌های بزرگ در دنیای واقعی، یک استاندارد در آزمون زمان سربلند بیرون آمده است: زبان هستی‌شناسی وب (OWL)، که توسط W3C به عنوان بخشی از ابتکار وب معنایی توسعه داده شده است. OWL قدرت بیان مورد نیاز برای مدل‌سازی دامنه‌های پیچیده را فراهم می‌کند – با استانداردسازی، مقیاس‌پذیری، قابلیت اطمینان و عملکرد مورد نیاز برای استفاده جدی در صنعت (گروه کاری W3C OWL، ۲۰۱۲؛ Allemang & Hendler، ۲۰۱۱). در این کتاب، هر زمان که از کلمه هستی‌شناسی استفاده می‌کنم، منظورم یک هستی‌شناسی OWL است که بر سطح طرحواره تمرکز دارد: کلاس‌ها، ویژگی‌ها و قوانین منطقی که ستون فقرات یک نمودار دانش معنایی را تشکیل می‌دهند. جامعه هستی‌شناسی این را TBox می‌نامد، مخفف “Terminology”. در یک پایگاه داده رابطه‌ای، این سطح طرحواره است. در یک سیستم شیءگرا، این متامدلی است که کلاس‌ها و ویژگی‌ها را تعریف می‌کند. وقتی می‌گوییم نمودار دانش، منظورمان داده‌های مدل‌سازی شده در زبان‌های نموداری مانند RDF، RDF-star یا نمودارهای ویژگی برچسب‌گذاری شده است – فناوری‌هایی که در فصل‌های آینده بررسی خواهیم کرد. جامعه هستی‌شناسی این را ABox می‌نامد، مخفف “Assertions”. در یک پایگاه داده رابطه‌ای، اینها ردیف‌ها هستند و در یک سیستم شیءگرا، اینها نمونه‌هایی با مقادیر برای ویژگی‌ها و صفات هستند. یک نمودار دانش معنایی (SKG) این دو لایه را با هم ترکیب می‌کند. هستی‌شناسی (Ontology) مدل منطقی‌ای را فراهم می‌کند که معنای اصطلاحات و روابط (TBox) را تعریف می‌نماید، در حالی که گراف دانش (Knowledge Graph) داده‌هایی را ارائه می‌دهد که مصداق‌های آن تعاریف (ABox) هستند.

At its core, a knowledge graph is simply data organized as a graph and stored in a graph database (Singhal, 2012). A Semantic Knowledge Graph (SKG) adds a critical layer: it’s a knowledge graph built on logical models known as ontologies, providing rich meaning and enabling automated reasoning across data. The idea of ontology dates back to the earliest days of artificial intelligence (AI) (DeBellis & Neches, 2023). An ontology is a formal, logical blueprint of a subject area—defining concepts, relationships, and rules using high-level models that are easy for domain experts to understand and that can be used as the foundation for efficient, scalable data storage and computation. Many experimental languages for ontologies have come and gone. But in real-world, large-scale systems, one standard has stood the test of time: the Web Ontology Language (OWL), developed by the W3C as part of the Semantic Web initiative. OWL provides the expressive power needed to model complex domains—with the standardization, scalability, reliability, and performance required for serious industry use (W3C OWL Working Group, 2012; Allemang & Hendler, 2011). In this book, whenever I use the word ontology, I mean an OWL ontology focusing on the schema level: the classes, properties, and logical rules that form the backbone of a Semantic Knowledge Graph. The ontology community calls this the TBox, short for “Terminology.” In a relational database, this is the schema level. In an object-oriented system, this is the meta-model that defines classes and properties. When we say knowledge graph, we mean data modeled in graph languages such as RDF, RDF-star, or Labelled Property Graphs— technologies we will explore in the chapters ahead. The ontology community calls this the ABox, short for “Assertions.” In a relational database, these are rows, and in an object-oriented system, these are instances with values for properties and attributes. A Semantic Knowledge Graph (SKG) combines these two layers. The ontology provides the logical model that defines the meaning of the terms and relationships (the TBox), while the knowledge graph provides the data that instantiates those definitions (the ABox).

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: Feature Selection in Machine Learning

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بیشتر بخوانید