Demand-Driven Associative Classification

هدف نهایی ماشین‌ها کمک به انسان‌ها برای حل مشکلات است.
چنین مشکلاتی بین دو حد متفاوت است: مسائل ساختاری که راه‌حل برای آنها کاملاً تعریف شده است (و بنابراین به راحتی توسط انسان برنامه‌ریزی می‌شوند) و تصادفی. مشکلاتی که راه حل آنها کاملاً تعریف نشده است (و بنابراین نمی توان برنامه ریزی کرد). مشکلات در حد وسط وسیع راه‌حل‌هایی دارند که نمی‌توان آن‌ها را به خوبی تعریف کرد و بنابراین، برنامه‌ریزی آنها ذاتاً دشوار است. یادگیری ماشین راهی برای مدیریت این میانه گسترده است، به طوری که بسیاری از کارهای خسته کننده و دشوار رمزگذاری دستی با روش های یادگیری خودکار جایگزین می شوند. چندین کار یادگیری ماشین وجود دارد، و این کار بر روی یک اصلی متمرکز شده است که به عنوان طبقه بندی شناخته می شود. حل برخی از مسائل طبقه بندی سخت است، اما نشان می دهیم که می توان آنها را به مسائل فرعی بسیار ساده تری تجزیه کرد. ما همچنین نشان می‌دهیم که حل مستقل این مشکلات فرعی با در نظر گرفتن خواسته‌های خاص آنها، اغلب منجر به بهبود عملکرد طبقه‌بندی می‌شود.

The ultimate goal of machines is to help humans to solve problems.
Such problems range between two extremes: structured problems for which the solution is totally defined (and thus are easily programmed by humans), and random problems for which the solution is completely undefined (and thus cannot be programmed). Problems in the vast middle ground have solutions that cannot be well defined and are, thus, inherently hard to program. Machine Learning is the way to handle this vast middle ground, so that many tedious and difficult hand-coding tasks would be replaced by automatic learning methods. There are several machine learning tasks, and this work is focused on a major one, which is known as classification. Some classification problems are hard to solve, but we show that they can be decomposed into much simpler sub-problems. We also show that independently solving these sub-problems by taking into account their particular demands, often leads to improved classification performance.