pobierz plik referatu

Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
Rozdział 43
w
Przegląd standardów, celów, metod i zastosowań
eksploracji danych multimedialnych
w
1 Wstęp
da
.b
w
Streszczenie. W rozdziale opisano znaczenie eksploracji danych multimedialnych. Przedstawiono genezę danych multimedialnych oraz opisano cele
ich eksploracji, stosowane standardy, metody i przykłady praktycznych zastosowań. Podsumowano korzyści wynikające z eksploracji, opisano kwestie
dyskusyjne oraz opisano główne problemy, jakie powinny być rozwiązane
w przyszłości.
pl
s.
Rozwój technologii informatycznej szczególnie istotnie przejawia się w metodach i technikach pozyskiwania danych. Dane mogą być przechowywane w różnorodnej formie mediów
cyfrowych np. zdjęć, plików dźwiękowych, plików video rejestrowanych za pomocą kamer
cyfrowych, aparatów fotograficznych lub telefonów komórkowych.
Eksperci oceniają, że w ciągu najbliższych kilku lat ludzkość wygeneruje więcej danych
niż w poprzednich tysiącleciach [10], a koszt jednostki pamięci maleje o połowę co dziewięć miesięcy [7]. Objętość gromadzonych danych rośnie w różnym stopniu, przy czym
najszybszy wzrost objętości odnotowano w zasobach internetowych i multimedialnych
[20]. Możliwości człowieka do oceny wymiarowości i złożoności danych są ograniczone,
dlatego ważne są narzędzia, które w takiej ocenie mogą pomóc.
W rozdziale rozpatrzono problemy standaryzacji danych multimedialnych i procesów
ich eksploracji. Następnie dokonano krótkiego przeglądu celów, metod i technik używanych w eksploracji danych multimedialnych. Dalej przedstawiono dziedziny, w których
praktycznie zastosowano metody eksploracji danych multimedialnych, problemy jakie się
pojawiają wraz z rozwojem tych metod oraz perspektywy dalszych zastosowań.
2 Rozwój form zapisu i obsługi danych multimedialnych
Za początek obsługi danych multimedialnych przyjmuje się połączenie tekstu i obrazu
w jednym dokumencie już w latach 60-tych XX wieku. Następnie zsynchronizowano
Janusz Świerzowicz
Politechnika Rzeszowska, Zakład Informatyki w Zarządzaniu, ul. W. Pola 2, 35-959 Rzeszów,
Polska
email:[email protected]
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
J. Świerzowicz
w
dźwięk, obraz wideo i animację [18]. W wyniku intensywnych badań prowadzonych od lat
90-tych XX wieku nad pozyskiwaniem, przechowywaniem, transmisją, i prezentacją danych multimedialnych powstały i nadal rozwijane są standardy opracowane przez MPEG,
Web3D oraz ISO takie jak: MP3 – dla stratnej kompresji dźwięku poziomu 3, MPEG-4 –
zawierający technologiczne elementy, umożliwiające integrację produkcji, dystrybucji i dostępu do zawartości cyfrowej telewizji, interakcyjnych aplikacji graficznych i multimediów,
MPEG-7 – dla opisu treści multimedialnych, X3D – otwarty standard XML, umożliwiający
tworzenie, bieżącą komunikację i wymianę danych, reprezentujących trójwymiarowe
obiekty dla prezentacji w sieci i w urządzeniach mobilnych, MX – formalizm XML dla reprezentacji utworów muzycznych opisany w warstwach: strukturalnej, logicznej, nutowej,
prezentacji i dźwiękowej [8], [21]. Wyżej wymienione standardy opracowane dla reprezentowania złożonych danych multimedialnych, umożliwiają łączenie i synchronizację dźwięku, obrazów, sekwencji video, obiektów trójwymiarowych ze zdarzeniami, a za pomocą języków skryptowych pozwalają opisać treść każdego obiektu multimedialnego. Dla przechowywania danych multimedialnych stosowane są multimedialne bazy danych obsługiwane za pomocą pakietów SQL/MM [13], [16].
Jednym ze skutków złożoności kodowania danych multimedialnych i wzrostu ich
objętości jest problem nadmiaru danych, który wymusza używanie inteligentnych
i automatycznych narzędzi programistycznych dla przekształcania „surowych” danych
w informację, a informacji w wiedzę. Jest nią eksploracja danych, którą definiujemy jako
inteligentny i zautomatyzowany proces identyfikacji i odkrywania użytecznych struktur takich jak wzorce, modele i relacje w zbiorach danych [6]. Proces ten, będący istotnym fragmentem ogólnego procesu odkrywania wiedzy z danych powinien być iteracyjnym, szczegółowo zaplanowanym, stosującym odpowiednie techniki analityczne do pozyskiwania
ukrytej, wartościowej informacji.
Na skutek postępu w technologii informacyjnej osiągalne stają się bardzo duże zbiory
cyfrowych fotografii obrazów medycznych, zdjęć lotniczych i satelitarnych, obrazów z symulacji komputerowych, oraz obrazy rejestrowane w różnorodnych badaniach naukowych.
Metodą, która umożliwia uzyskiwanie odkrywanie zależności pomiędzy obrazami przechowywanymi w bazach obrazów nazywamy eksploracją obrazów – (ang. image mining) [25].
Głównym problemem jest tutaj obsługa relatywnych danych, niejawnej informacji przestrzennej i różnorodnej interpretacji tych samych wizualnych wzorców. Dla rozwiązywania
tych problemów stosuje się między innymi podejście sterowane obrazami, w którym ustalane są hierarchiczne warstwy. Niższa warstwa zawiera informacje o pikselach i obiektach,
natomiast w warstwie wyższej jest zawarta wiedza dziedzinowa dla wygenerowania semantycznych konceptów z warstwy niższej i do połączenia ich z danymi alfanumerycznymi
[26].
Poszerzeniem tej koncepcji jest eksploracja danych multimedialnych, której celem jest
uzyskanie interesującej wiedzy i zrozumienie semantyki przechowywanej w danych zawierającej skorelowane obrazy, dźwięk, wideo i tekst. Z uwagi na dużą objętość i wymiarowość danych multimedialnych istotnym zagadnieniem jest wybór cech, pozwalających na
redukcję wymiarowości problemu. Można wyróżnić cechy oparte na opisie obiektów oraz
cechy uzyskiwane na podstawie analizy fizycznych charakterystyk danych multimedialnych uwzględniając np. cechy wizualne obrazów wideo oraz cechy sygnału akustycznego.
W celu ujednolicenia wpływu cech na wyniki eksploracji, przeprowadza się ich normalizację.
Bazy multimedialne, zawierające kombinację danych powyższych typów mogą być albo
najpierw integrowane za pomocą rozproszonych procesorów multimedialnych, a później
eksplorowane, albo można stosować narzędzia eksploracji baz homogenicznych, a następ-
da
.b
w
w
pl
s.
536
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
Przegląd celów, metod i zastosowań eksploracji danych multimedialnych
nie łączyć uzyskiwane wyniki [23]. Schematy multimedialnych baz danych powinny również podlegać normalizacji, prowadzących do redukcji anomalii ich obsługi.
3 Aspekty standaryzacji eksploracji danych
w
Wielu producentów oraz organizacji zrzeszających zaawansowanych użytkowników baz
danych i usług analitycznych rozwija technologiczne standardy dla różnych aspektów eksploracji danych. Wysiłki te dotyczą procesów, modeli, atrybutów, interfejsów programowania aplikacji oraz przetwarzania danych. Celem opracowania standardowego modelu procesu eksploracji danych jest dążenie do ujednolicenia tego procesu niezależnie od dziedziny
zastosowań, w oparciu o istniejące opisy, pozwalające na użycie rozwojowych technologii
informatycznych dla rozwiązywania problemów biznesowych w praktyce. Standardowy
model procesu dla eksploracji danych, (ang. Cross Industrial Standard Process for Data Mining – CRISP DM) opracowany w 1999 roku przez konsorcjum producentów i zaawansowanych użytkowników oprogramowania eksploracji danych, jest obecnie uaktualniany
[22]. Głównym założeniem tego modelu jest jego neutralność w stosunku do dziedziny zastosowania, aplikacji, narzędzia i dostawcy oprogramowania co symbolicznie przedstawia
rys. 1.
da
.b
w
w
neutralność
pl
s.
Rys. 1. Założenia neutralności modelu CRISP DM
W modelu tym można wyróżnić zadania opisane na czterech poziomach abstrakcji: faz F,
zadań ogólnych ZO, zadań wyspecjalizowanych ZS oraz instancji procesów IP. Model procesu eksploracji danych (MPZD) można zatem przedstawić w postaci macierzowej:
537
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
J. Świerzowicz
MPZD = [F1 ... ... Fn ]
[
= [ZS
= [IP
Fi = ZOi ,1 ... ZOi ,m (i )
ZOi , j
w
ZS i , j ,k
i , j ,1
i , j , k ,1
(1)
]
... ZS i , j , r (i , j )
(2)
]
... IPi , j ,k , s (i , j ,k )
(3)
]
(4)
w
w
gdzie: n- liczba faz w procesie eksploracji danych, Fi – i-ta faza w procesie eksploracji,
ZOi,j – j – te zadanie ogólne i-tej fazy, m(i) - liczba zadań ogólnych w i-tej fazie, ZSi,j,k – k –
te zadanie wyspecjalizowane j-tego zadania ogólnego, i - tej fazy, r(i,j) - liczba zadań
specjalizowanych j-tego zadania ogólnego w i-tej fazie, IPi,j,k,l – l - ta instancja procesu k –
tego zadania specjalizowanego j-tego zadania ogólnego i-tej fazy, s(i,j,k) - liczba instancji
procesu dla k - tego zadania specjalizowanego, j - tego zadania ogólnego w i-tej fazie.
ZO1,m(1)
ZO 2,1
ZO 2,m(2)
ZS 2,1,1
ZS i,1,1
ZS 2,1,2
ZS i,j,r
F1
ZS 3,1,1
ZS 3,1,2
ZS 2,j,r
F2
ZO i,m(i)
ZO
ZO
ZO n,1
n,m(n)
i,1
IP i,m(i),r(i),s(i)
IP
n,m(n),r(n),s(n)
ZS i,1,1
ZS
n,j,r
ZS
n,1,2
Fn=6
ZS
ZS
ZO
ZS
i,j,r
n,1,1
i,1,2
Fi=5
Rys. 2. Graficzne przedstawienie modelu CRISP DM
IP 3,m(3),r(i3,s(3)
ZS 3,j,r
F3
4,m(i)
ZO
4,1
4,m(4),r(i4),s(4)
pl
s.
IP
ZO 3,m(3)
IP 2,m(2),r(2),s(2)
IP i,m(i),r(i),s(i)
ZS i,1,2
ZO 3,1
da
.b
ZO1,1
ZS
4,j,r
ZS
ZS
4,1,1
4,1,2
F4
Na rys. 2. przedstawiono w postaci prostopadłościanów fazy: zrozumienia dziedziny F1,
dotyczącą zrozumienia celów i wymagań użytkownika z perspektywy dziedziny; efektem
wyjściowym tej fazy jest przetworzenie celów biznesowych lub badawczych do zdefiniowanego problemu eksploracji danych; zrozumienia danych F2, dotyczącą wstępnego zbierania danych, identyfikacji problemów jakości danych i odkrywania interesujących zestawów danych dla sformułowania hipotez o ukrytej wartościowej informacji, oraz określenia
podzbiorów danych dla dalszych badań; przygotowania danych F3, obejmującą konstruowanie zestawu danych dla narzędzi modelowania; w fazie tej nacisk jest położony na wybór
tabel, rekordów i atrybutów, jak również na transformacje i czyszczeniu danych; modelo538
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
Przegląd celów, metod i zastosowań eksploracji danych multimedialnych
w
wania F4, dotyczącą wyboru technik modelowania i ustalenia optymalnych wartości parametrów; ewaluację modelu F5, w odniesieniu do osiągnięcia celów dziedziny; wdrażania
F6, obejmującą zastosowanie modelu w procesie podejmowania decyzji; w fazie tej będą
generowane raporty, a proces eksploracji danych będzie powtarzalny. Poziom zadań ogólnych ZO obejmuje całkowity proces eksploracji danych, wszystkie możliwe aplikacje
i techniki modelowania. Poziom zadań wyspecjalizowanych ZS opisuje jak ogólne zadanie
może różnić się w różnych sytuacjach. Poziom instancji procesu IP rejestruje działania,
decyzje i wyniki związane z aktualnym zastosowaniem eksploracji danych.
w
4 Cele, metody, dziedziny i przykłady zastosowań eksploracji danych
multimedialnych
w
W dalszej części rozdziału krótko opisano najbardziej popularne cele, metody eksploracji
danych multimedialnych takie jak: podział zestawu obiektów, odkrywanie reguł, drzewa
decyzyjne, rozpoznawanie wzorców, predykcja trendów i redukcja wymiarowości oraz podano przykłady zastosowań tych metod w biometrii, medycynie, przemyśle samochodowym, odzieżowym oraz w produkcji telewizyjnej.
da
.b
4.1 Charakterystyka celów i metod
pl
s.
Jednym z popularnych celów eksploracji danych jest podział zestawu obiektów opisanych
w przestrzeni wielowymiarowej na mniejsze, spójne jednostki: klasy, podstruktury lub
części. Te podstruktury umożliwiają lepsze zrozumienie zależności zachodzących w zbiorze obiektów i pozwalają przypisać nowy obiekt do jednej z klas, w oparciu o odpowiednią
informację. W klasyfikacji z nadzorem, każdy obiekt należy do jednej z predefiniowanych
klas opisanych przez wektor danych. Ta klasa musi być zrekonstruowana na podstawie
wektora danych [3]. W klasyfikacji bez nadzoru tj. w grupowaniu, nowy obiekt jest przypisywany do grupy podobnych obiektów, zgodnie z jego zawartością, a podobieństwo obiektów wewnątrz grupy jest maksymalizowane. Grupowanie jest często używane we wczesnych stadiach procesu eksploracji danych multimedialnych.
Jeżeli celem eksploracji jest odkrywanie zachodzących prawidłowości stosowana jest
metoda odkrywania reguł asocjacyjnych przyjmujących postać „jeżeli A to B”, gdzie A –
poprzednik reguły i B – następnik reguły, są podzbiorami rozłącznymi zbioru obiektów
multimedialnych, ze wsparciem s = P(A∩B), oraz miarą dokładności (poziomu ufności) reguły c =P(B│A) [14]. Typowy algorytm działa dwuetapowo: najpierw wyszukuje się zbiór
spełniający ograniczenie minimalnego wsparcia, a później generuje się reguły spełniające
ograniczenie minimalnego poziomu ufności [25].
Dla klasyfikacji obiektów multimedialnych, oprócz takich metod jak k-najbliższych sąsiadów, Bayesa, SVM, często wykorzystuje się metodę drzew decyzyjnych, w której każdy
węzeł drzewa jest związany z testem wartości atrybutu, każda gałąź jest opisana wartością
atrybutu, a każdy liść drzewa jest związany z wartością klasy [17]. Jednak, gdy wartości
opisywanych atrybutów zmieniają się w niewielkim stopniu, decyzja związana z poprzednim opisem może zmienić się istotnie. Biorąc to pod uwagę do drzew decyzyjnych wprowadzono rozmytość uzyskując rozmyte drzewa decyzyjne [5].
W przypadku, gdy celem eksploracji danych multimedialnych jest rozpoznawanie wzorców lub predykcja trendów dla konstrukcji modelu stosuje się sztuczne sieci neuronowe
539
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
J. Świerzowicz
w
[12]. Sieci te posiadają zdolność uczenia się złożonych nieliniowych relacji wejścia-wyjścia.
Dla redukcji wymiarowości problemu używana jest metoda analizy głównych składowych [11]. W metodzie tej oblicza się macierz kowariancji, charakteryzującej zestaw treningowy. Następnie obliczane są wartości własne i wektory własne macierzy kowariancji.
Po uporządkowaniu wartości własnych w kolejności malejącej przeprowadza się transformację liniową przekształcającą n- wymiarową przestrzeń zmiennych w m-wymiarową
przestrzeń wygenerowanych głównych składowych, których jest najczęściej mniej niż oryginalnych zmiennych. Dla wyboru głównych składowych stosuje się również teorię zbiorów przybliżonych [19].
w
4.2 Dziedziny i przykłady zastosowań eksploracji danych multimedialnych
da
.b
w
Eksploracja danych multimedialnych jest skutecznie stosowana w wielu dziedzinach. Może
być użyta do identyfikacji obrazów z fotografii lotniczych lub satelitarnych, odkrywania
wzorców w bazach obrazów medycznych [2], identyfikacji osób rozmawiających i słów
w systemie rozpoznawania mowy, do analizy utworów muzycznych [8], multimedialnych
zasobów internetowych [1], w przemyśle odzieżowym i środków transportu, w usługach
turystycznych, produkcji filmowej i telewizyjnej oraz do rozpoznawania tekstu z danych
multimedialnych [24]. W dalszej części rozdziału opisano wybrane przykłady zastosowań
eksploracji danych multimedialnych w biometrii, medycynie oraz produkcji telewizyjnej.
W biometrii rozpatrywane są problemy automatycznej identyfikacji osób na podstawie
analizy ich cech psychologicznych, fizycznych i behawioralnych [12]. Biometria łączy
w sobie analizę cech fizycznych ręki (geometria, odciski palców i dłoni), oka (źrenica, siatkówka), twarzy (obraz, termogram), ucha, głosu, sposobu poruszania się, podpisu dla identyfikacji nieznanej osoby lub dla weryfikacji jej tożsamości. W systemach biometrycznych
muszą zostać rozwiązane liczne problemy związane z eliminacją szumu w danych oraz modyfikacją charakterystyk sensorów. Do głównych zadań należy problem rozpoznawania
twarzy, w którym analizuje się miarę podobieństwa między wektorami cech twarzy przechowywanymi w bazie danych, a możliwą instancją obiektu w ramach obrazu. Moduł rozpoznawania obrazów jest częścią multimodalnego biometrycznego systemu uwierzytelnienia [9].
Przykładem zastosowania eksploracji danych multimedialnych w medycynie jest wykorzystanie eksploracji obrazów z badań gastroenterologicznych dla formułowania reguł rekomendujących leczenie [15]. Baza danych przechowuje wzorce, z których każdy rozpatrywany jest jako reprezentatywny przypadek zawierający sformalizowany tekst, wartości numeryczne i obraz endoskopowy. Podczas badania pacjenta, przeprowadzana jest automatyczna klasyfikacja choroby. Innym przykładem zastosowania jest model hurtowni danych,
przechowującej podstawowe dane pacjenta wraz z obserwacjami wykrytych patologii i sygnałami EKG [2].
Eksploracja danych multimedialnych jest również szeroko stosowana w odkrywaniu
struktur z wiadomości wideo, dla odkrywania interesujących sekwencji lub identyfikacji
osób tam występujących. Podstawowym problemem jest wówczas wydzielenie kanału wizyjnego, tekstowego i dźwiękowego [5]. Ze strumienia wideo wydobywa się cechy treści
przestrzennej obrazu (kolor, tekstura, kształt), wizualnej treści chwilowej (ruch kamery
i obiektu), ze strumienia dźwięku głośność, częstotliwość i barwę, oraz informacje tekstową
ukazującą się na ekranie. Następnie eksplorowane są dane koloru ze zbioru ramek, dla
odkrywania obecności zachodzących w nich zmian. Efektywny sposób integracji eksploracji danych i wielomodalnego przetwarzania sekwencji wideo zastosowano dla rejestracji
pl
s.
540
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
Przegląd celów, metod i zastosowań eksploracji danych multimedialnych
interesujących zdarzeń na meczach piłkarskich. System składa się z parsera wideo, modułu
wstępnej filtracji danych i modułu eksploracji [4].
W przemyśle odzieżowym i środków transportu wykorzystywane są bazy danych zawierające antropometryczne i statystyczne dane o populacji mieszkańców Europy i Ameryki,
wraz z trójwymiarowymi obrazami kształtów ciała [11]. Stosując metodę grupowania można odnaleźć podobne osoby w populacji przechowywanej w bazie.
w
6 Uwagi końcowe i wnioski
Literatura
1.
da
.b
w
w
Analiza metod, algorytmów i zastosowań eksploracji danych multimedialnych ma wpływ
na rozwój tej dziedziny technologii informatycznej. Używanie multimodalnych interfejsów
i inteligentnych urządzeń przyczyni się do generowania danych w różnorodnej formie,
z których wiedza może być uzyskiwana dzięki stosowaniu metod eksploracji danych multimedialnych. Aktualne badania koncentrują się na tworzeniu skalowalnych rozwiązań
w rozproszonym i mobilnym środowisku, opracowywaniu nowych standardów procesu
eksploracji z uwzględnieniem danych multimedialnych oraz integracji tych rozwiązań
z inteligentnymi interfejsami. Nieodpowiedni sposób stosowania eksploracji danych multimedialnych może również przynosić negatywne skutki społeczne związane z zagrożeniem
prywatności.
pl
s.
Agyemang, M., Barker, K.,& Alhajj, R. (2005): Web outlier mining: Discovering outliers from
web datasets. Intelligent Data Analysis 9, IOS Press, 473-486.
2. Arigon, A. M., Tchounikine, A., Miquel, M.: Handling multiple points of view in a multimedia
data warehouse. ACM Transactions on Multimedia Computing, Communications and
Applications, 2(3), 199-218, 2006.
3. Bock, H.: The goal of classification. W ramach pracy zbiorowej pod redakcją W. Klosgen,
J.M. Zytkow, Handbook of data mining and knowledge discovery, New York, Oxford University
Press, 2002.
4. Chen, S. C., Shyu, M. L., Chen, M., Chengcui, Z. A decision tree-based multimodal data mining
framework for soccer goal detection. IEEE International Conference on Multimedia and Expo
(ICME 2004), Taipei, Taiwan, 2004.
5. Detyniecki, M., Marsala, C. Fuzzy multimedia mining applied to video news. The 9th
International Conference on Information Processing and Management of Uncertainity in
Knowledge-Based Systems, IPMU 2002, 1001-1008, Annecy, France, 2002.
6. Fayyad, U. (2001). The digital physics of data mining. Communications of the ACM, 44(3), 6265.
7. Fayyad, U., Uthurusamy R.: Evolving data mining into solution for insight. Communications of
the ACM, 45(8), 28-31, 2002.
8. Ferrara, A., Ludovico, L., Montanelli, S., Castano, S., Haus, G. :A semantic Web ontology for
context-based classification and retrieval of music resources. ACM Transactions on Multimedia
Computing, Communications and Applications, 2(3), 177-198, 2006.
9. Frischholz, R.,W., Werner, A.: Avoiding replay-attacs in a face recognition system using headpose estimation. Proceedings of the IEEE International Workshop on Analysis and Modeling of
Faces and Gestures (AMFG’03), 1-2, 2003.
10. Hair, J. F.: Knowledge creation in marketing: the role of predictive analytics. European Business
Review, 19(4), 303-315, 2007.
541
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008
Rozdział monografii: 'Bazy Danych: Rozwój metod i technologii', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2008
J. Świerzowicz
w
11. Herena, V., Paquet, E., le Roux, G.: Cooperative learning and virtual reality-based visualization
for data mining. W ramach pracy zbiorowej pod redakcją J. Wang, Data Mining: Opportunities
and Challenges,55-79, Hershey, PA: Idea Group Publishing, 2003.
12. Jain, A. K., Ross, A. Multibiometric Systems. Communications of the ACM, 47(1), 34-40, 2004.
13. Kossmann, D.: The state of the art in distributed query processing. ACM Computing Surveys,
32(4), 422–469, 2000.
14. Larose D.: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych. PWN,
Warszawa, 2006.
15. Mazurkiewicz, A., Krawczyk, H.: A parallel environment for image data mining. Proceedings of
the International Conference on Parallel Computing in Electrical Engineering (PARELEC’02),
Warsaw, Poland, 2002.
16. Melton, J., Eisenberg, A.: SQL multimedia and application packages (SQL/MM), SIGMOD
Record, 30(4), 97-102, 2001.
17. Quinlan, J.R.: Introduction of decision trees. Machine Learning, 1(1), 86-106, 1986.
18. Rowe, L. A., Jain, R.: ACM SIGMM Retreat report on future directions in multimedia research,
ACM Transaction on Multimedia Computing. Communications and Applications, 1(1),
February, 3-13, 2004.
19. Skowron, A., Świnarski, R. W.: Information granulation and pattern recognition. W ramach
pracy zbiorowej pod redakcją S. K. Pal, L. Polkowski, A. Skowron, Rough-neural computing,
599-636, Berlin, Heidelberg,Springer-Verlag, 2004.
20. Świerzowicz, J.: Decision support system for data and web mining tools selection. W ramach
pracy zbiorowej pod redakcją M. Khosrow-Pour: Issues and trends of information technology
management in contemporary organizations, 1118-1120, Hershey,PA, Idea Group Publishing,
2002.
21. Świerzowicz J.: Multimedia Data Mining Concept, W ramach pracy zbiorowej pod redakcją
M. Pagani: Encyclopedia of Multimedia Technology and Networking, 696-703, Idea Group
Reference, Hershey, London, Singapore, 2005.
22. Świerzowicz, J. Priorytety standaryzacji procesu zgłębiania danych. W ramach pracy zbiorowej
pod redakcją Kozielski, S., Kasprowski, P. Mrozek, D. Bazy danych: Nowe Technologie,
401-412, Warszawa, Wydawnictwo Komunikacji i Łączności, 2007.
23. Thuraisingham, B.: XML databases and the Semantic Web. Boca Raton: CRC Press, 2002.
24. Wijesekera, D., Barbara, D.: Multimedia applications. W ramach pracy zbiorowej pod redakcją
W. Klosgen, J.M. Zytkow: Handbook of data mining and knowledge discovery, New York,
Oxford University Press, 2002.
25. Zhang, J., Hsu, W., Li Lee M.: Image mining: Issues, frameworks and techniques. W ramach
pracy zbiorowej pod redakcją O., R. Zaiane, S. J. Simoff: Proceedings of the Second
International Workshop on Multimedia Data Mining (MDM/KDD’ 2001) in conjunction with
Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
KDD 2001, 13-21, San Francisco, ACM Press, 2001.
26. Zhang, J., Hsu, W., Lee, L. M.: An information driven framework for image mining.
Proceedings of 12th International Conference on Database and Expert Systems Applications
(DEXA), Munich, Germany,2001.
da
.b
w
w
pl
s.
542
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2008