Foundations of Rule Learning

ویرایش: 1 
نویسندگان: Johannes Fürnkranz,  Dragan Gamberger,  Nada Lavrač (auth.)  
سری: Cognitive Technologies 
ISBN (شابک) : 9783540751960, 9783540751977 
ناشر: Springer-Verlag Berlin Heidelberg 
سال نشر: 2012 
تعداد صفحات: 344 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 31,000



قوانین - واضح‌ترین، کاوش‌شده‌ترین و بهترین شکل بازنمایی دانش - به ویژه برای داده‌کاوی مهم هستند، زیرا بهترین مبادله را بین درک انسان و ماشین ارائه می‌دهند. این کتاب اصول یادگیری قوانین را همانطور که در یادگیری ماشین کلاسیک و داده کاوی مدرن بررسی شده است، ارائه می دهد. این یک دیدگاه مبتنی بر ویژگی را معرفی می کند، به عنوان یک چارچوب متحد کننده برای یادگیری قاعده گزاره ای و رابطه ای، بنابراین شکاف بین یادگیری ویژگی-مقدار و برنامه ریزی منطق استقرایی را پر می کند و پوشش کاملی از مهمترین عناصر یادگیری قوانین ارائه می دهد.

< p>این کتاب می تواند به عنوان یک کتاب درسی برای آموزش یادگیری ماشینی و همچنین مرجعی جامع برای تحقیقات در زمینه یادگیری قواعد استقرایی مورد استفاده قرار گیرد. به این ترتیب، دانش‌آموزان، محققان و توسعه‌دهندگان الگوریتم‌های یادگیری قوانین را هدف قرار می‌دهد و مفاهیم اساسی یادگیری قوانین را در وسعت و عمق کافی ارائه می‌کند تا خواننده را قادر به درک، توسعه و استفاده از تکنیک‌های یادگیری قوانین در داده‌های دنیای واقعی کند.< p>

Rules – the clearest, most explored and best understood form of knowledge representation – are particularly important for data mining, as they offer the best tradeoff between human and machine understandability. This book presents the fundamentals of rule learning as investigated in classical machine learning and modern data mining. It introduces a feature-based view, as a unifying framework for propositional and relational rule learning, thus bridging the gap between attribute-value learning and inductive logic programming, and providing complete coverage of most important elements of rule learning.

The book can be used as a textbook for teaching machine learning, as well as a comprehensive reference to research in the field of inductive rule learning. As such, it targets students, researchers and developers of rule learning algorithms, presenting the fundamental rule learning concepts in sufficient breadth and depth to enable the reader to understand, develop and apply rule learning techniques to real-world data.

Front Matter....Pages i-xvii
Machine Learning and Data Mining....Pages 1-17
Rule Learning in a Nutshell....Pages 19-55
Formal Framework for Rule Analysis....Pages 57-63
Features....Pages 65-93
Relational Features....Pages 95-112
Learning Single Rules....Pages 113-133
Rule Evaluation Measures....Pages 135-169
Learning Rule Sets....Pages 171-186
Pruning of Rules and Rule Sets....Pages 187-216
Beyond Concept Learning....Pages 217-246
Supervised Descriptive Rule Learning....Pages 247-265
Selected Applications....Pages 267-298
Back Matter....Pages 299-334