چاپ کردن این صفحه
جمعه, 15 ارديبهشت 1396 08:58

کارگاه مه داده در کنفرانس داده کاوی 2017

این مورد را ارزیابی کنید
(2 رای‌ها)

نخستین کارگاه تحلیل مه داده به عنوان خدمت: معماری، الگوریتم‏‌ها، و کاربردها در انفورماتیک سلامت (در حاشیه کنفرانس داده کاوی 2017) در تاریخ 23 مرداد 1396 (14 آگوست 2017) در هالیفاکس کانادا برگزار می‌گردد.

این کارگاه شامل سخنرانی‌های کلیدی اساتید مدعو، میزگرد، و ارائه مقالات و پوستر است. همچنین وقت قابل توجهی برای بحث آزاد با رویکرد اشتراک گذاری تجارب و شناسایی مسیرهای آتی اختصاص خواهد یافت.

صفحه اصلی کارگاه : http://bigdas.org

فراخوان مقاله

این یک حوزه‌ی جدید در جامعه‌ی داده کاوی است و امیدواریم که این کارگاه بتواند پژوهشگران و مخاطبان علاقمند را گردهم آورد تا در خصوص مسائل باز، کاربردها و مسیرهای آتی مه داده به عنوان خدمت: معماری، الگوریتم‌ها و کاربردهای آن در انفورماتیک سلامت کاوش کنند. بدین وسیله دعوت می‌کنیم مقالاتی را ارسال بفرمایید که به بیان مطالعات پژوهشی مبتکرانه در همه‌ی جنبه‌های تحلیل‌های مه داده و کاربردهای آن در انفورماتیک سلامت می پردازند. مقالات کارهای در حال پیشرفت، پیش‌نمایش‌ها، مطالعات تجربی، توسعه‌های متن باز، و مقاله‌های رویاپردازانه نیز پذیرفته می‌شود. موضوعات پیشنهادی شامل موارد زیر با تاکید روی حوزه‌های کاربردی انفورماتیک سلامت است:

  • الگوریتم‌های یادگیری ماشین مه داده
    • یادگیری نیمه نظارت شده مه داده، یادگیری فعال، استنباط استقرایی، یادگیری سازمان یافته، یادگیری تکاملی، یادگیری انتقالی، یادگیری منیفولد، یادگیری احتمالاتی و رابطه‌ای
    • یادگیری عمیق مه داده
    • سامانه‌های پشتیبان تصمیم مه داده
    • مه داده کاوی زماندار
    • سری‌های زمانی مه داده و الگوکاوی دنباله‌ای
    • تحلیل‌های متنی کلینیکی/دارویی مه داده
    • حاشیه‌نویسی معنایی خودکار محتواهای پزشکی
    • طبقه‌بندی، خوشه‌بندی و تفسیر تصاویر و ویدیوهای پزشکی در مقیاس بزرگ
    • تحلیل داده‌های ژنتیکی، کاوش پایگاه‌های داده ژنی بزرگ
  • استانداردهای طلایی
    • ملاحظات مهندسی ویژگی‌ها و انتخاب
    • ملاحظات الگوریتم و انتخاب
    • ملاک‌های تحلیل انتخاب
  • معماری سامانه‌ها
    • زیرساخت‌های تحلیل مه داده
    • سامانه‌های مقیاس‌پذیر و ابزارهای تحلیل داده‌های با مقیاس بزرگ همچون DataMelt, RapidMiner, Orange, Rattle, Apache Spark, MLlib, Apache Mahout.
    • ارزیابی عملکرد یا مطالعه مقایسه ای پلتفرمهای خدمات یادگیری ماشین همچون BigML, Microsoft Azure, Amazon Machine Learning, Google Cloud Prediction API, IBM Watson Analytics
    • یکپارچه‌سازی PaaS با پشتیبانی کاربردها و خدمات مه داده
    • کاربرد محاسبات ابری در تحلیل‌های مه داده
  • تحلیل مه داده به عنوان خدمت
    • یادگیری ماشین مه داده به عنوان خدمت
    • تبدیل انفورماتیک سلامت مه داده به خدمات تحت وب
    • یادگیری عمیق مه داده به عنوان خدمت
    • زیرساخت مه داده به عنوان خدمت

تاریخ‌های مهم

ارسال مقاله: 21 می 2017

اعلامیه‌های مقاله: 21 جون 2017

ارسال‌های نهایی: 10 جولای 2017

تاریخ کارگاه: 14 آگوست 2017

 

بازدید 2326 بار آخرین ویرایش در شنبه, 16 ارديبهشت 1396 12:09

موارد مرتبط