کاوش در مجموعه‌داده‌های عظیم ۲۰۱۴
Mining of Massive Datasets 2014

این کتاب که توسط متخصصان برجسته در زمینه‌های فناوری‌های وب و پایگاه داده نوشته شده است، برای دانشجویان و متخصصان، مطالعه‌ای ضروری به شمار می‌رود. محبوبیت وب و تجارت اینترنتی، مجموعه‌های داده بسیار عظیمی را فراهم کرده است که از طریق داده‌کاوی می‌توان اطلاعات ارزشمندی از آن‌ها استخراج کرد.

این کتاب بر الگوریتم‌های کاربردی متمرکز است که برای حل مسائل کلیدی در داده‌کاوی مورد استفاده قرار گرفته‌اند و می‌توانند با موفقیت حتی بر روی بزرگترین مجموعه‌های داده اعمال شوند. کتاب با بحث در مورد چارچوب MapReduce، ابزاری مهم برای موازی‌سازی خودکار الگوریتم‌ها، آغاز می‌شود. نویسندگان، ترفندهای درهم‌سازی حساس به مکان (locality-sensitive hashing) و الگوریتم‌های پردازش جریان (stream processing) را برای کاوش داده‌هایی که با سرعتی بیش از حد برای پردازش جامع می‌رسند، توضیح می‌دهند. فصل‌های دیگر به بررسی ایده PageRank و ترفندهای مرتبط برای سازماندهی وب، مسائل مربوط به یافتن مجموعه‌های آیتم‌های پرتکرار (frequent itemsets) و خوشه‌بندی (clustering) می‌پردازند.

ویرایش دوم این کتاب شامل پوشش جدید و گسترده‌ای در مورد شبکه‌های اجتماعی، یادگیری ماشین و کاهش ابعاد (dimensionality reduction) است.

Written by leading authorities in database and Web technologies, this book is essential reading for students and practitioners alike. The popularity of the Web and Internet commerce provides many extremely large datasets from which information can be gleaned by data mining. This book focuses on practical algorithms that have been used to solve key problems in data mining and can be applied successfully to even the largest datasets. It begins with a discussion of the map-reduce framework, an important tool for parallelizing algorithms automatically. The authors explain the tricks of locality-sensitive hashing and stream processing algorithms for mining data that arrives too fast for exhaustive processing. Other chapters cover the PageRank idea and related tricks for organizing the Web, the problems of finding frequent itemsets and clustering. This second edition includes new and extended coverage on social networks, machine learning and dimensionality reduction.