Información del autor
Autor Curry, Edward |
Documentos disponibles escritos por este autor (3)
Crear una solicitud de compra Refinar búsquedaMachine Learning and Knowledge Discovery in Databases / Brefeld, Ulf ; Curry, Edward ; Daly, Elizabeth ; MacNamee, Brian ; Marascu, Alice ; Pinelli, Fabio ; Berlingerio, Michele ; Hurley, Neil
TÃtulo : Machine Learning and Knowledge Discovery in Databases : European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part III / Tipo de documento: documento electrónico Autores: Brefeld, Ulf, ; Curry, Edward, ; Daly, Elizabeth, ; MacNamee, Brian, ; Marascu, Alice, ; Pinelli, Fabio, ; Berlingerio, Michele, ; Hurley, Neil, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XXXI, 706 p. 332 ilustraciones, 194 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-10997-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Procesamiento de datos Inteligencia artificial IngenierÃa Informática Red de computadoras Ciencias sociales Protección de datos Delitos informáticos MinerÃa de datos y descubrimiento de conocimientos IngenierÃa Informática y Redes Aplicación informática en ciencias sociales y del comportamiento. Seguridad de datos e información Crimen informático Clasificación: 6.312 Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; aprendizaje profundo; métodos de conjunto; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; Comercio electrónico de ADS; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: ADS Data Science Applications -- Neural Article Pair Modeling for Wikipedia Sub-article Matching -- LinNet: Probabilistic Lineup Evaluation Through Network Embedding -- Improving Emotion Detection with Sub-clip Boosting -- Machine Learning for Targeted Assimilation of Satellite Data -- From Empirical Analysis to Public Policy: Evaluating Housing Systems for Homeless Youth -- Discovering Groups of Signals in In-Vehicle Network Traces for Redundancy Detection and Functional Grouping -- ADS E-commerce -- SPEEDING up the Metabolism in E-commerce by Reinforcement Mechanism DESIGN -- Intent-aware Audience Targeting for Ride-hailing Service -- A Recurrent Neural Network Survival Model: Predicting Web User Return Time -- Implicit Linking of Food Entities in Social Media -- A Practical Deep Online Ranking System in E-commerce Recommendation -- ADS Engineering and Design -- ST-DenNetFus: A New Deep Learning Approach for Network Demand Prediction -- Automating Layout Synthesis with Constructive Preference Elicitation -- Configuration of Industrial Automation Solutions Using Multi-relational Recommender Systems -- Learning Cheap and Novel Flight Itineraries -- Towards Resource-Efficient Classifiers for Always-On Monitoring -- ADS Financial / Security -- Uncertainty Modelling in Deep Networks: Forecasting Short and Noisy Series -- Using Reinforcement Learning to Conceal Honeypot Functionality -- Flexible Inference for Cyberbully Incident Detection -- Solving the \false positives" problem in fraud prediction - Automated Data Science at an Industrial Scale -- Learning Tensor-based Representations from Brain-Computer Interface Data for Cybersecurity -- ADS Health -- Can We Assess Mental Health through Social Media and Smart Devices? Addressing Bias in Methodology and Evaluation -- AMIE: Automatic Monitoring of Indoor Exercises -- Rough Set Theory as a Data Mining Technique: A Case Study in Epidemiology and Cancer Incidence Prediction -- Selecting Influenza Mitigation Strategies Using Bayesian Bandits -- Hypotensive Episode Prediction in ICUs via Observation Window Splitting -- Equipment Health Indicator Learning using Deep Reinforcement Learning -- ADS Sensing/Positioning -- PBE: Driver Behavior Assessment Beyond Trajectory Profiling -- Accurate WiFi-based Indoor Positioning with Continuous Location Sampling -- Human Activity Recognition with Convolutional Neural Networks -- Urban sensing for anomalous event detection -- Combining Bayesian Inference and Clustering for Transport Mode Detection from Sparse and Noisy Geolocation Data -- CentroidNet: A Deep Neural Network for Joint Object Localization and Counting -- Deep Modular Multimodal Fusion on Multiple Sensors for Volcano Activity Recognition -- Nectar Track -- Matrix Completion under Interval Uncertainty -- A two-step approach for the prediction of mood levels based on diary data -- Best Practices to Train Deep Models on Imbalanced Datasets - A Case Study on Animal Detection in Aerial Imagery -- Deep Query Ranking for Question Answering over Knowledge Bases -- Machine Learning Approaches to Hybrid Music Recommender Systems -- Demo Track -- IDEA: An Interactive Dialogue Translation Demo System Using Furhat Robots -- RAPID: Real-time Analytics Platform for Interactive Data Mining -- COBRASTS: A new approach to Semi-Supervised Clustering of Time Series -- pysubgroup: Easy-to-use Subgroup Discovery in Python -- An Advert Creation System for Next-Gen Publicity -- VHI : Valve Health Identification for the Maintenance of Subsea Industrial Equipment -- Tiler: Software for Human-Guided Data Exploration -- ADAGIO: Interactive Experimentation with Adversarial Attack and Defense for Audio -- ClaRe: Classification and Regression Tool for Multivariate Time Series -- Industrial Memories: Exploring the Findings of Government Inquiries with Neural Word Embedding and Machine Learning -- Monitoring Emergency First Responders' Activities via Gradient Boosting and Inertial Sensor Data -- Visualizing Multi-Document Semantics via Open Domain Information Extraction. Tipo de medio : Computadora Summary : The three volume proceedings LNAI 11051 – 11053 constitutes the refereed proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases, ECML PKDD 2018, held in Dublin, Ireland, in September 2018. The total of 131 regular papers presented in part I and part II was carefully reviewed and selected from 535 submissions; there are 52 papers in the applied data science, nectar and demo track. The contributions were organized in topical sections named as follows: Part I: adversarial learning; anomaly and outlier detection; applications; classification; clustering and unsupervised learning; deep learning; ensemble methods; and evaluation. Part II: graphs; kernel methods; learning paradigms; matrix and tensor analysis; online and active learning; pattern and sequence mining; probabilistic models and statistical methods; recommender systems; and transfer learning. Part III: ADS data science applications; ADS e-commerce;ADS engineering and design; ADS financial and security; ADS health; ADS sensing and positioning; nectar track; and demo track. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning and Knowledge Discovery in Databases : European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part III / [documento electrónico] / Brefeld, Ulf, ; Curry, Edward, ; Daly, Elizabeth, ; MacNamee, Brian, ; Marascu, Alice, ; Pinelli, Fabio, ; Berlingerio, Michele, ; Hurley, Neil, . - 1 ed. . - [s.l.] : Springer, 2019 . - XXXI, 706 p. 332 ilustraciones, 194 ilustraciones en color.
ISBN : 978-3-030-10997-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Procesamiento de datos Inteligencia artificial IngenierÃa Informática Red de computadoras Ciencias sociales Protección de datos Delitos informáticos MinerÃa de datos y descubrimiento de conocimientos IngenierÃa Informática y Redes Aplicación informática en ciencias sociales y del comportamiento. Seguridad de datos e información Crimen informático Clasificación: 6.312 Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; aprendizaje profundo; métodos de conjunto; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; Comercio electrónico de ADS; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: ADS Data Science Applications -- Neural Article Pair Modeling for Wikipedia Sub-article Matching -- LinNet: Probabilistic Lineup Evaluation Through Network Embedding -- Improving Emotion Detection with Sub-clip Boosting -- Machine Learning for Targeted Assimilation of Satellite Data -- From Empirical Analysis to Public Policy: Evaluating Housing Systems for Homeless Youth -- Discovering Groups of Signals in In-Vehicle Network Traces for Redundancy Detection and Functional Grouping -- ADS E-commerce -- SPEEDING up the Metabolism in E-commerce by Reinforcement Mechanism DESIGN -- Intent-aware Audience Targeting for Ride-hailing Service -- A Recurrent Neural Network Survival Model: Predicting Web User Return Time -- Implicit Linking of Food Entities in Social Media -- A Practical Deep Online Ranking System in E-commerce Recommendation -- ADS Engineering and Design -- ST-DenNetFus: A New Deep Learning Approach for Network Demand Prediction -- Automating Layout Synthesis with Constructive Preference Elicitation -- Configuration of Industrial Automation Solutions Using Multi-relational Recommender Systems -- Learning Cheap and Novel Flight Itineraries -- Towards Resource-Efficient Classifiers for Always-On Monitoring -- ADS Financial / Security -- Uncertainty Modelling in Deep Networks: Forecasting Short and Noisy Series -- Using Reinforcement Learning to Conceal Honeypot Functionality -- Flexible Inference for Cyberbully Incident Detection -- Solving the \false positives" problem in fraud prediction - Automated Data Science at an Industrial Scale -- Learning Tensor-based Representations from Brain-Computer Interface Data for Cybersecurity -- ADS Health -- Can We Assess Mental Health through Social Media and Smart Devices? Addressing Bias in Methodology and Evaluation -- AMIE: Automatic Monitoring of Indoor Exercises -- Rough Set Theory as a Data Mining Technique: A Case Study in Epidemiology and Cancer Incidence Prediction -- Selecting Influenza Mitigation Strategies Using Bayesian Bandits -- Hypotensive Episode Prediction in ICUs via Observation Window Splitting -- Equipment Health Indicator Learning using Deep Reinforcement Learning -- ADS Sensing/Positioning -- PBE: Driver Behavior Assessment Beyond Trajectory Profiling -- Accurate WiFi-based Indoor Positioning with Continuous Location Sampling -- Human Activity Recognition with Convolutional Neural Networks -- Urban sensing for anomalous event detection -- Combining Bayesian Inference and Clustering for Transport Mode Detection from Sparse and Noisy Geolocation Data -- CentroidNet: A Deep Neural Network for Joint Object Localization and Counting -- Deep Modular Multimodal Fusion on Multiple Sensors for Volcano Activity Recognition -- Nectar Track -- Matrix Completion under Interval Uncertainty -- A two-step approach for the prediction of mood levels based on diary data -- Best Practices to Train Deep Models on Imbalanced Datasets - A Case Study on Animal Detection in Aerial Imagery -- Deep Query Ranking for Question Answering over Knowledge Bases -- Machine Learning Approaches to Hybrid Music Recommender Systems -- Demo Track -- IDEA: An Interactive Dialogue Translation Demo System Using Furhat Robots -- RAPID: Real-time Analytics Platform for Interactive Data Mining -- COBRASTS: A new approach to Semi-Supervised Clustering of Time Series -- pysubgroup: Easy-to-use Subgroup Discovery in Python -- An Advert Creation System for Next-Gen Publicity -- VHI : Valve Health Identification for the Maintenance of Subsea Industrial Equipment -- Tiler: Software for Human-Guided Data Exploration -- ADAGIO: Interactive Experimentation with Adversarial Attack and Defense for Audio -- ClaRe: Classification and Regression Tool for Multivariate Time Series -- Industrial Memories: Exploring the Findings of Government Inquiries with Neural Word Embedding and Machine Learning -- Monitoring Emergency First Responders' Activities via Gradient Boosting and Inertial Sensor Data -- Visualizing Multi-Document Semantics via Open Domain Information Extraction. Tipo de medio : Computadora Summary : The three volume proceedings LNAI 11051 – 11053 constitutes the refereed proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases, ECML PKDD 2018, held in Dublin, Ireland, in September 2018. The total of 131 regular papers presented in part I and part II was carefully reviewed and selected from 535 submissions; there are 52 papers in the applied data science, nectar and demo track. The contributions were organized in topical sections named as follows: Part I: adversarial learning; anomaly and outlier detection; applications; classification; clustering and unsupervised learning; deep learning; ensemble methods; and evaluation. Part II: graphs; kernel methods; learning paradigms; matrix and tensor analysis; online and active learning; pattern and sequence mining; probabilistic models and statistical methods; recommender systems; and transfer learning. Part III: ADS data science applications; ADS e-commerce;ADS engineering and design; ADS financial and security; ADS health; ADS sensing and positioning; nectar track; and demo track. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Real-time Linked Dataspaces : Enabling Data Ecosystems for Intelligent Systems Tipo de documento: documento electrónico Autores: Curry, Edward, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XXIII, 325 p. 111 ilustraciones, 30 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-29665-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Gestión de base de datos Computadoras Propósitos especiales Ciencias de la Computación Sistemas de propósito especial y basados ​​en aplicaciones Modelos de Computación Clasificación: 005.74 Ciencia de los computadores (Archivos de datos y bases de datos) Resumen: Este libro de acceso abierto explora el paradigma del espacio de datos como un enfoque de mejor esfuerzo para la gestión de datos dentro de los ecosistemas de datos. Establece los fundamentos teóricos y los principios de los espacios de datos vinculados en tiempo real como plataforma de datos para sistemas inteligentes. El libro presenta un conjunto de técnicas y modelos especializados de mejor esfuerzo para permitir una proximidad administrativa flexible y una integración semántica para gestionar y procesar eventos y flujos. El libro se divide en cinco partes principales: La Parte I, "Fundamentos y conceptos", detalla la motivación detrás y los conceptos centrales de los espacios de datos vinculados en tiempo real, y establece la necesidad de desarrollar técnicas de gestión de datos para enfrentar los desafÃos de habilitar ecosistemas de datos para Sistemas inteligentes dentro de entornos inteligentes. Además, explica los conceptos fundamentales de los espacios de datos y la necesidad de especialización en el procesamiento de datos dinámicos en tiempo real. La Parte II, "Servicios de soporte de datos", explora el diseño y la evaluación de servicios crÃticos, incluido el catálogo, la gestión de entidades, las consultas y búsquedas, el descubrimiento de servicios de datos y el contacto humano. A su vez, la Parte III "Servicios de procesamiento de eventos y transmisiones" aborda el diseño y evaluación de las técnicas especializadas creadas para servicios de soporte en tiempo real, incluido el procesamiento de eventos complejos, la composición de servicios de eventos, la difusión de transmisiones, la coincidencia de transmisiones y la coincidencia semántica aproximada. La Parte IV, "Sistemas y aplicaciones inteligentes", explora el uso de espacios de datos vinculados en tiempo real dentro de entornos inteligentes del mundo real. Para concluir, la Parte V, "Direcciones futuras", describe los futuros desafÃos de investigación para los espacios de datos, los ecosistemas de datos y los sistemas inteligentes. Los lectores obtendrán una comprensión detallada de cómo se utiliza ahora el paradigma del espacio de datos para habilitar ecosistemas de datos para sistemas inteligentes dentro de entornos inteligentes. El libro cubre la teorÃa fundamental, la creación de nuevas técnicas necesarias para los servicios de soporte y las lecciones aprendidas de sistemas inteligentes del mundo real y aplicaciones centradas en la sostenibilidad. En consecuencia, beneficiará no sólo a los investigadores y estudiantes de posgrado en los campos de la gestión de datos, big data e IoT, sino también a los profesionales que necesitan crear plataformas avanzadas de gestión de datos para sistemas inteligentes, entornos inteligentes y ecosistemas de datos. Nota de contenido: 1 Real-time Linked Dataspaces: A Data Platform for Intelligent Systems within Internet of Things-based Smart Environments -- 2 Enabling Knowledge Flows in an Intelligent Systems Data Ecosystem -- 3 Dataspaces: Fundamentals, Principles, and Techniques -- 4 Fundamentals of Real-time Linked Dataspaces -- 5 Data Support Services for Real-time Linked Dataspaces -- 6 Catalog and Entity Management Service for Internet of Things-based Smart Environments -- 7 Querying and Searching Heterogeneous Knowledge Graphs in Real-time Linked Dataspaces -- 8 Enhancing the Discovery of Internet of Things-based Data Services in Real-time Linked Dataspaces -- 9 Human-in-the-Loop Tasks for Data Management, Citizen Sensing, and Actuation in Smart Environments -- 10 Stream and Event Processing Services for Real-time Linked Dataspaces -- 11 Quality of Service-Aware Complex Event Service Composition in Real-time Linked Dataspaces -- 12 Dissemination of Internet of Things Streams in a Real-time Linked Dataspace -- 13 Approximate Semantic Event Processing in Real-time Linked Dataspaces -- 14 Enabling Intelligent Systems, Applications, and Analytics for Smart Environments using Real-time Linked Dataspaces -- 15 Autonomic Source Selection for Real-time Predictive Analytics using the Internet of Things and Open Data -- 16 Building Internet of Things-enabled Digital Twins and Intelligent Applications using a Real-time Linked Dataspace -- 17 A Model for Internet of Things Enhanced User Experience in Smart Environments -- 18 Future Research Directions for Dataspaces, Data Ecosystems, and Intelligent Systems. Tipo de medio : Computadora Summary : This open access book explores the dataspace paradigm as a best-effort approach to data management within data ecosystems. It establishes the theoretical foundations and principles of real-time linked dataspaces as a data platform for intelligent systems. The book introduces a set of specialized best-effort techniques and models to enable loose administrative proximity and semantic integration for managing and processing events and streams. The book is divided into five major parts: Part I "Fundamentals and Concepts" details the motivation behind and core concepts of real-time linked dataspaces, and establishes the need to evolve data management techniques in order to meet the challenges of enabling data ecosystems for intelligent systems within smart environments. Further, it explains the fundamental concepts of dataspaces and the need for specialization in the processing of dynamic real-time data. Part II "Data Support Services" explores the design and evaluation of critical services, including catalog, entity management, query and search, data service discovery, and human-in-the-loop. In turn, Part III "Stream and Event Processing Services" addresses the design and evaluation of the specialized techniques created for real-time support services including complex event processing, event service composition, stream dissemination, stream matching, and approximate semantic matching. Part IV "Intelligent Systems and Applications" explores the use of real-time linked dataspaces within real-world smart environments. In closing, Part V "Future Directions" outlines future research challenges for dataspaces, data ecosystems, and intelligent systems. Readers will gain a detailed understanding of how the dataspace paradigm is now being used to enable data ecosystems for intelligent systems within smart environments. The book covers the fundamental theory, the creation of new techniques needed for support services, and lessons learned from real-world intelligent systems and applications focused on sustainability. Accordingly, it will benefit not only researchers and graduate students in the fields of data management, big data, and IoT, but also professionals who need to create advanced data management platforms for intelligent systems, smart environments, and data ecosystems. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Real-time Linked Dataspaces : Enabling Data Ecosystems for Intelligent Systems [documento electrónico] / Curry, Edward, . - 1 ed. . - [s.l.] : Springer, 2020 . - XXIII, 325 p. 111 ilustraciones, 30 ilustraciones en color.
ISBN : 978-3-030-29665-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Gestión de base de datos Computadoras Propósitos especiales Ciencias de la Computación Sistemas de propósito especial y basados ​​en aplicaciones Modelos de Computación Clasificación: 005.74 Ciencia de los computadores (Archivos de datos y bases de datos) Resumen: Este libro de acceso abierto explora el paradigma del espacio de datos como un enfoque de mejor esfuerzo para la gestión de datos dentro de los ecosistemas de datos. Establece los fundamentos teóricos y los principios de los espacios de datos vinculados en tiempo real como plataforma de datos para sistemas inteligentes. El libro presenta un conjunto de técnicas y modelos especializados de mejor esfuerzo para permitir una proximidad administrativa flexible y una integración semántica para gestionar y procesar eventos y flujos. El libro se divide en cinco partes principales: La Parte I, "Fundamentos y conceptos", detalla la motivación detrás y los conceptos centrales de los espacios de datos vinculados en tiempo real, y establece la necesidad de desarrollar técnicas de gestión de datos para enfrentar los desafÃos de habilitar ecosistemas de datos para Sistemas inteligentes dentro de entornos inteligentes. Además, explica los conceptos fundamentales de los espacios de datos y la necesidad de especialización en el procesamiento de datos dinámicos en tiempo real. La Parte II, "Servicios de soporte de datos", explora el diseño y la evaluación de servicios crÃticos, incluido el catálogo, la gestión de entidades, las consultas y búsquedas, el descubrimiento de servicios de datos y el contacto humano. A su vez, la Parte III "Servicios de procesamiento de eventos y transmisiones" aborda el diseño y evaluación de las técnicas especializadas creadas para servicios de soporte en tiempo real, incluido el procesamiento de eventos complejos, la composición de servicios de eventos, la difusión de transmisiones, la coincidencia de transmisiones y la coincidencia semántica aproximada. La Parte IV, "Sistemas y aplicaciones inteligentes", explora el uso de espacios de datos vinculados en tiempo real dentro de entornos inteligentes del mundo real. Para concluir, la Parte V, "Direcciones futuras", describe los futuros desafÃos de investigación para los espacios de datos, los ecosistemas de datos y los sistemas inteligentes. Los lectores obtendrán una comprensión detallada de cómo se utiliza ahora el paradigma del espacio de datos para habilitar ecosistemas de datos para sistemas inteligentes dentro de entornos inteligentes. El libro cubre la teorÃa fundamental, la creación de nuevas técnicas necesarias para los servicios de soporte y las lecciones aprendidas de sistemas inteligentes del mundo real y aplicaciones centradas en la sostenibilidad. En consecuencia, beneficiará no sólo a los investigadores y estudiantes de posgrado en los campos de la gestión de datos, big data e IoT, sino también a los profesionales que necesitan crear plataformas avanzadas de gestión de datos para sistemas inteligentes, entornos inteligentes y ecosistemas de datos. Nota de contenido: 1 Real-time Linked Dataspaces: A Data Platform for Intelligent Systems within Internet of Things-based Smart Environments -- 2 Enabling Knowledge Flows in an Intelligent Systems Data Ecosystem -- 3 Dataspaces: Fundamentals, Principles, and Techniques -- 4 Fundamentals of Real-time Linked Dataspaces -- 5 Data Support Services for Real-time Linked Dataspaces -- 6 Catalog and Entity Management Service for Internet of Things-based Smart Environments -- 7 Querying and Searching Heterogeneous Knowledge Graphs in Real-time Linked Dataspaces -- 8 Enhancing the Discovery of Internet of Things-based Data Services in Real-time Linked Dataspaces -- 9 Human-in-the-Loop Tasks for Data Management, Citizen Sensing, and Actuation in Smart Environments -- 10 Stream and Event Processing Services for Real-time Linked Dataspaces -- 11 Quality of Service-Aware Complex Event Service Composition in Real-time Linked Dataspaces -- 12 Dissemination of Internet of Things Streams in a Real-time Linked Dataspace -- 13 Approximate Semantic Event Processing in Real-time Linked Dataspaces -- 14 Enabling Intelligent Systems, Applications, and Analytics for Smart Environments using Real-time Linked Dataspaces -- 15 Autonomic Source Selection for Real-time Predictive Analytics using the Internet of Things and Open Data -- 16 Building Internet of Things-enabled Digital Twins and Intelligent Applications using a Real-time Linked Dataspace -- 17 A Model for Internet of Things Enhanced User Experience in Smart Environments -- 18 Future Research Directions for Dataspaces, Data Ecosystems, and Intelligent Systems. Tipo de medio : Computadora Summary : This open access book explores the dataspace paradigm as a best-effort approach to data management within data ecosystems. It establishes the theoretical foundations and principles of real-time linked dataspaces as a data platform for intelligent systems. The book introduces a set of specialized best-effort techniques and models to enable loose administrative proximity and semantic integration for managing and processing events and streams. The book is divided into five major parts: Part I "Fundamentals and Concepts" details the motivation behind and core concepts of real-time linked dataspaces, and establishes the need to evolve data management techniques in order to meet the challenges of enabling data ecosystems for intelligent systems within smart environments. Further, it explains the fundamental concepts of dataspaces and the need for specialization in the processing of dynamic real-time data. Part II "Data Support Services" explores the design and evaluation of critical services, including catalog, entity management, query and search, data service discovery, and human-in-the-loop. In turn, Part III "Stream and Event Processing Services" addresses the design and evaluation of the specialized techniques created for real-time support services including complex event processing, event service composition, stream dissemination, stream matching, and approximate semantic matching. Part IV "Intelligent Systems and Applications" explores the use of real-time linked dataspaces within real-world smart environments. In closing, Part V "Future Directions" outlines future research challenges for dataspaces, data ecosystems, and intelligent systems. Readers will gain a detailed understanding of how the dataspace paradigm is now being used to enable data ecosystems for intelligent systems within smart environments. The book covers the fundamental theory, the creation of new techniques needed for support services, and lessons learned from real-world intelligent systems and applications focused on sustainability. Accordingly, it will benefit not only researchers and graduate students in the fields of data management, big data, and IoT, but also professionals who need to create advanced data management platforms for intelligent systems, smart environments, and data ecosystems. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : The Elements of Big Data Value : Foundations of the Research and Innovation Ecosystem Tipo de documento: documento electrónico Autores: Curry, Edward, ; Metzger, Andreas, ; Zillner, Sonja, ; Pazzaglia, Jean-Christophe, ; GarcÃa Robles, Ana, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XXIII, 401 p. 69 ilustraciones, 67 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-68176-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Sistemas de almacenamiento y recuperación de información. Innovaciones tecnológicas Industria informática Grandes datos Almacenamiento y recuperación de información Gestión de Innovación y TecnologÃa Comercialización de TecnologÃa La industria informática Clasificación: 025.04 Resumen: Este libro de acceso abierto presenta los fundamentos del ecosistema de investigación e innovación de Big Data y los habilitadores asociados que facilitan la entrega de valor a partir de los datos para las empresas y la sociedad. Proporciona información sobre los elementos clave para la investigación y la innovación, arquitecturas técnicas, modelos de negocio, habilidades y mejores prácticas para respaldar la creación de soluciones y organizaciones basadas en datos. El libro es una recopilación de capÃtulos seleccionados de alta calidad que cubren las mejores prácticas, tecnologÃas, experiencias y recomendaciones prácticas sobre investigación e innovación para big data. Las contribuciones se agrupan en cuatro partes: · Parte I: Elementos del ecosistema del valor de Big Data se centra en establecer el ecosistema de valor de Big Data utilizando un enfoque holÃstico para hacerlo atractivo y valioso para todas las partes interesadas. · Parte II: Elementos de investigación e innovación del valor de Big Data detalla los desafÃos técnicos y de capacidad clave que se deben abordar para entregar valor de Big Data. · Parte III: Elementos empresariales, polÃticos y sociales del valor de Big Data investiga la necesidad de hacer un uso más eficiente de Big Data y comprender que los datos son un activo que tiene un potencial significativo para la economÃa y la sociedad. · Parte IV: Elementos emergentes del valor de Big Data explora los elementos crÃticos para maximizar el potencial futuro del valor de Big Data. En general, los lectores reciben información que puede ayudarlos a crear soluciones, organizaciones y ecosistemas de datos productivos basados ​​en datos. El material representa los resultados de un esfuerzo colectivo emprendido por la comunidad europea de datos como parte de la Asociación Público-Privada (APP) Big Data Value entre la Comisión Europea y la Big Data Value Association (BDVA) para impulsar la transformación digital basada en datos. . Nota de contenido: Part I: Ecosystem Elements of Big Data Value -- The European Big Data Value Ecosystem -- Stakeholder Analysis of Data Ecosystems -- A Roadmap to Drive Adoption of Data Ecosystems -- Achievements and Impact of the Big Data Value Public-Private Partnership: The Story so Far -- Part II: Research and Innovation Elements of Big Data Value -- Technical Research Priorities for Big Data -- A Reference Model for Big Data Technologies -- Data Protection in the Era of Artificial Intelligence: Trends, Existing Solutions and Recommendations for Privacy-Preserving Technologies -- A Best Practice Framework for Centres of Excellence in Big Data and Artificial Intelligence -- Data Innovation Spaces -- Part III: Business, Policy, and Societal Elements of Big Data Value -- Big Data Value Creation by Example -- Business Models and Ecosystem for Big Data -- Innovation in Times of Big Data and AI: Introducing the Data-Driven Innovation (DDI) Framework -- The Road to Big Data Standardisation -- The Role of Data Regulation in Shaping AI: An Overview of Challenges and Recommendations for SMEs -- Part IV: Emerging Elements of Big Data Value -- Data Economy 2.0: From Big Data Value to AI Value and a European Data Space. Tipo de medio : Computadora Summary : This open access book presents the foundations of the Big Data research and innovation ecosystem and the associated enablers that facilitate delivering value from data for business and society. It provides insights into the key elements for research and innovation, technical architectures, business models, skills, and best practices to support the creation of data-driven solutions and organizations. The book is a compilation of selected high-quality chapters covering best practices, technologies, experiences, and practical recommendations on research and innovation for big data. The contributions are grouped into four parts: · Part I: Ecosystem Elements of Big Data Value focuses on establishing the big data value ecosystem using a holistic approach to make it attractive and valuable to all stakeholders. · Part II: Research and Innovation Elements of Big Data Value details the key technical and capability challenges to be addressed for delivering big data value. · Part III: Business, Policy, and Societal Elements of Big Data Value investigates the need to make more efficient use of big data and understanding that data is an asset that has significant potential for the economy and society. · Part IV: Emerging Elements of Big Data Value explores the critical elements to maximizing the future potential of big data value. Overall, readers are provided with insights which can support them in creating data-driven solutions, organizations, and productive data ecosystems. The material represents the results of a collective effort undertaken by the European data community as part of the Big Data Value Public-Private Partnership (PPP) between the European Commission and the Big Data Value Association (BDVA) to boost data-driven digital transformation. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] The Elements of Big Data Value : Foundations of the Research and Innovation Ecosystem [documento electrónico] / Curry, Edward, ; Metzger, Andreas, ; Zillner, Sonja, ; Pazzaglia, Jean-Christophe, ; GarcÃa Robles, Ana, . - 1 ed. . - [s.l.] : Springer, 2021 . - XXIII, 401 p. 69 ilustraciones, 67 ilustraciones en color.
ISBN : 978-3-030-68176-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Sistemas de almacenamiento y recuperación de información. Innovaciones tecnológicas Industria informática Grandes datos Almacenamiento y recuperación de información Gestión de Innovación y TecnologÃa Comercialización de TecnologÃa La industria informática Clasificación: 025.04 Resumen: Este libro de acceso abierto presenta los fundamentos del ecosistema de investigación e innovación de Big Data y los habilitadores asociados que facilitan la entrega de valor a partir de los datos para las empresas y la sociedad. Proporciona información sobre los elementos clave para la investigación y la innovación, arquitecturas técnicas, modelos de negocio, habilidades y mejores prácticas para respaldar la creación de soluciones y organizaciones basadas en datos. El libro es una recopilación de capÃtulos seleccionados de alta calidad que cubren las mejores prácticas, tecnologÃas, experiencias y recomendaciones prácticas sobre investigación e innovación para big data. Las contribuciones se agrupan en cuatro partes: · Parte I: Elementos del ecosistema del valor de Big Data se centra en establecer el ecosistema de valor de Big Data utilizando un enfoque holÃstico para hacerlo atractivo y valioso para todas las partes interesadas. · Parte II: Elementos de investigación e innovación del valor de Big Data detalla los desafÃos técnicos y de capacidad clave que se deben abordar para entregar valor de Big Data. · Parte III: Elementos empresariales, polÃticos y sociales del valor de Big Data investiga la necesidad de hacer un uso más eficiente de Big Data y comprender que los datos son un activo que tiene un potencial significativo para la economÃa y la sociedad. · Parte IV: Elementos emergentes del valor de Big Data explora los elementos crÃticos para maximizar el potencial futuro del valor de Big Data. En general, los lectores reciben información que puede ayudarlos a crear soluciones, organizaciones y ecosistemas de datos productivos basados ​​en datos. El material representa los resultados de un esfuerzo colectivo emprendido por la comunidad europea de datos como parte de la Asociación Público-Privada (APP) Big Data Value entre la Comisión Europea y la Big Data Value Association (BDVA) para impulsar la transformación digital basada en datos. . Nota de contenido: Part I: Ecosystem Elements of Big Data Value -- The European Big Data Value Ecosystem -- Stakeholder Analysis of Data Ecosystems -- A Roadmap to Drive Adoption of Data Ecosystems -- Achievements and Impact of the Big Data Value Public-Private Partnership: The Story so Far -- Part II: Research and Innovation Elements of Big Data Value -- Technical Research Priorities for Big Data -- A Reference Model for Big Data Technologies -- Data Protection in the Era of Artificial Intelligence: Trends, Existing Solutions and Recommendations for Privacy-Preserving Technologies -- A Best Practice Framework for Centres of Excellence in Big Data and Artificial Intelligence -- Data Innovation Spaces -- Part III: Business, Policy, and Societal Elements of Big Data Value -- Big Data Value Creation by Example -- Business Models and Ecosystem for Big Data -- Innovation in Times of Big Data and AI: Introducing the Data-Driven Innovation (DDI) Framework -- The Road to Big Data Standardisation -- The Role of Data Regulation in Shaping AI: An Overview of Challenges and Recommendations for SMEs -- Part IV: Emerging Elements of Big Data Value -- Data Economy 2.0: From Big Data Value to AI Value and a European Data Space. Tipo de medio : Computadora Summary : This open access book presents the foundations of the Big Data research and innovation ecosystem and the associated enablers that facilitate delivering value from data for business and society. It provides insights into the key elements for research and innovation, technical architectures, business models, skills, and best practices to support the creation of data-driven solutions and organizations. The book is a compilation of selected high-quality chapters covering best practices, technologies, experiences, and practical recommendations on research and innovation for big data. The contributions are grouped into four parts: · Part I: Ecosystem Elements of Big Data Value focuses on establishing the big data value ecosystem using a holistic approach to make it attractive and valuable to all stakeholders. · Part II: Research and Innovation Elements of Big Data Value details the key technical and capability challenges to be addressed for delivering big data value. · Part III: Business, Policy, and Societal Elements of Big Data Value investigates the need to make more efficient use of big data and understanding that data is an asset that has significant potential for the economy and society. · Part IV: Emerging Elements of Big Data Value explores the critical elements to maximizing the future potential of big data value. Overall, readers are provided with insights which can support them in creating data-driven solutions, organizations, and productive data ecosystems. The material represents the results of a collective effort undertaken by the European data community as part of the Big Data Value Public-Private Partnership (PPP) between the European Commission and the Big Data Value Association (BDVA) to boost data-driven digital transformation. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
