Emerging Paradigms in Machine Learning

این کتاب موضوعات و الگوریتم‌های اساسی را ارائه می‌کند که هسته تحقیقات یادگیری ماشین (ML) و همچنین پارادایم‌های نوظهور در طراحی سیستم هوشمند را تشکیل می‌دهند. ماهیت چند رشته ای یادگیری ماشینی آن را به یک حوزه بسیار جذاب و محبوب برای تحقیق تبدیل می کند. هدف این کتاب دانشجویان، پزشکان و محققان است و تنوع و غنای حوزه یادگیری ماشینی و سیستم‌های هوشمند را به تصویر می‌کشد. چندین فصل به مدل‌های یادگیری محاسباتی مانند محاسبات دانه‌ای، مجموعه‌های ناهموار و مجموعه‌های فازی اختصاص داده شده است. شبکه ها نقاط قوت و ضعف روش ها را روشن می کنند. مطالعات عملی که بینشی در مورد مسائل چالش برانگیز مانند یادگیری از داده‌های ناقص و نامتعادل، تشخیص الگوی رویدادهای اپیزودیک تصادفی و کاوی آنلاین جریان‌های داده غیر ثابت را به دست می‌دهد، بخش کلیدی این کتاب است.

This book presents fundamental topics and algorithms that form the core of machine learning (ML) research, as well as emerging paradigms in intelligent system design. The multidisciplinary nature of machine learning makes it a very fascinating and popular area for research. The book is aiming at students, practitioners and researchers and captures the diversity and richness of the field of machine learning and intelligent systems. Several chapters are devoted to computational learning models such as granular computing, rough sets and fuzzy sets An account of applications of well-known learning methods in biometrics, computational stylistics, multi-agent systems, spam classification including an extremely well-written survey on Bayesian networks shed light on the strengths and weaknesses of the methods. Practical studies yielding insight into challenging problems such as learning from incomplete and imbalanced data, pattern recognition of stochastic episodic events and on-line mining of non-stationary data streams are a key part of this book.