Dealing with Imbalanced and Weakly Labelled Data in Machine Learning using Fuzzy and Rough Set Methods

این کتاب الگوریتم‌های طبقه‌بندی جدیدی را برای چهار کار پیش‌بینی چالش‌برانگیز، یعنی یادگیری از داده‌های نامتعادل، نیمه‌نظارت‌شده، چند نمونه‌ای و چند برچسبی ارائه می‌کند. این روش‌ها مبتنی بر نظریه مجموعه‌های خشن فازی هستند، یک چارچوب ریاضی که برای مدل‌سازی عدم قطعیت در داده‌ها استفاده می‌شود. این کتاب دو سهم اصلی دارد: کمک به خوانندگان برای به دست آوردن درک عمیق تر از نظریه ریاضی اساسی. و توسعه رویکردهای طبقه بندی جدید، بصری و با عملکرد خوب. نویسندگان شکاف بین پیشنهادات نظری مدل ریاضی و چالش‌های مهم در یادگیری ماشین را پر می‌کنند. خوانندگان مورد نظر این کتاب شامل هر کسی می شود که علاقه مند به یادگیری بیشتر در مورد نظریه مجموعه های ناهموار فازی و نحوه استفاده از آن در زمینه های یادگیری ماشین عملی است. اگرچه مخاطبان اصلی عمدتاً از ریاضیدانان، دانشمندان کامپیوتر و مهندسان تشکیل می‌شوند، اما محتوا برای دانشجویان و متخصصان رشته‌های دیگر جالب و قابل دسترس خواهد بود.

This book presents novel classification algorithms for four challenging prediction tasks, namely learning from imbalanced, semi-supervised, multi-instance and multi-label data. The methods are based on fuzzy rough set theory, a mathematical framework used to model uncertainty in data. The book makes two main contributions: helping readers gain a deeper understanding of the underlying mathematical theory; and developing new, intuitive and well-performing classification approaches. The authors bridge the gap between the theoretical proposals of the mathematical model and important challenges in machine learning. The intended readership of this book includes anyone interested in learning more about fuzzy rough set theory and how to use it in practical machine learning contexts. Although the core audience chiefly consists of mathematicians, computer scientists and engineers, the content will also be interesting and accessible to students and professionals from a range of other fields.