A Machine Learning Based Model of Boko Haram

این اولین مطالعه در مورد بوکوحرام است که مدل‌های پیشرفته داده‌محور و یادگیری ماشینی را برای مدل‌های یادگیری با قابلیت پیش‌بینی طیف گسترده‌ای از حملات انجام‌شده توسط بوکوحرام و همچنین توسعه خط‌مشی‌های مبتنی بر داده ارائه می‌کند. برای شکل دادن به رفتار بوکوحرام و کاهش حملات آنها. این کتاب همچنین شرایطی را شناسایی می کند که خشونت جنسی، بمب گذاری انتحاری و تلاش برای بمب گذاری، آدم ربایی، آتش زدن، غارت و هدف قرار دادن مقامات دولتی و تاسیسات امنیتی را پیش بینی می کند.

پس از تقلیل تاریخچه بوکوحرام به صفحه گسترده حاوی اطلاعات ماهانه در مورد انواع مختلف حملات و شرایط مختلف حاکم در یک دوره 9 ساله، این کتاب قوانین احتمالی زمانی (TP) را معرفی می کند. می توان به طور خودکار از داده ها آموخت و به آسانی برای سیاست گذاران و کارشناسان امنیتی توضیح داد. این کتاب علاوه بر این، بیش از یک سال پیش‌بینی‌های انجام شده با استفاده از مدل را به منظور اعتبارسنجی دقت پیش‌بینی گزارش می‌کند. همچنین یک روش محاسبه خط مشی برای مهار حملات بوکوحرام معرفی می‌کند.

محققان یادگیری ماشین کاربردی، کارشناسان یادگیری ماشین و کارشناسان مدل‌سازی پیش‌بینی‌کننده توافق دارند که این کتاب یک دارایی یادگیری ارزشمند است. کارشناسان مبارزه با تروریسم، کارشناسان امنیت ملی و بین المللی، کارشناسان سیاست عمومی و کارشناسان آفریقا نیز موافق هستند که این کتاب یک ابزار یادگیری ارزشمند است.

This is the first study of Boko Haram that brings advanced data-driven, machine learning models to both learn models capable of predicting a wide range of attacks carried out by Boko Haram, as well as develop data-driven policies to shape Boko Haram’s behavior and reduce attacks by them. This book also identifies conditions that predict sexual violence, suicide bombings and attempted bombings, abduction, arson, looting, and targeting of government officials and security installations.

After reducing Boko Haram’s history to a spreadsheet containing monthly information about different types of attacks and different circumstances prevailing over a 9 year period, this book introduces Temporal Probabilistic (TP) rules that can be automatically learned from data and are easy to explain to policy makers and security experts. This book additionally reports on over 1 year of forecasts made using the model in order to validate predictive accuracy. It also introduces a policy computation method to rein in Boko Haram’s attacks.

Applied machine learning researchers, machine learning experts and predictive modeling experts agree that this book is a valuable learning asset. Counter-terrorism experts, national and international security experts, public policy experts and Africa experts will also agree this book is a valuable learning tool.