Fusion of Machine Learning Paradigms: Theory and Applications

این کتاب با هدف به‌روزرسانی جوامع تحقیقاتی مرتبط با علوم رایانه، از جمله اساتید، محققان، دانشمندان، مهندسان و دانشجویان، و همچنین خوانندگان عمومی سایر رشته‌ها، در مورد جدیدترین پیشرفت‌ها در کاربرد روش‌ها است. بر اساس پارادایم های یادگیری ماشین ترکیبی روش‌های یادگیری ماشینی ترکیبی یا ترکیبی، دو یا چند رویکرد یادگیری ماشین را با هم ترکیب می‌کنند که در مقایسه با اجزای تشکیل‌دهنده‌شان، به عملکرد بالاتر و کارایی بهتر دست می‌یابند و تأثیر عمده‌ای را در علم، فناوری و جامعه می‌دهند. این کتاب شامل یک یادداشت ویراستاری و هشت فصل اضافی است و در دو بخش سازمان‌دهی شده است: (1) حوزه‌های کاربردی اخیر ادغام پارادایم‌های یادگیری ماشین و (ii) برنامه‌هایی که به وضوح می‌توانند از ترکیب پارادایم‌های یادگیری ماشین بهره ببرند.< /span>

این کتاب برای اساتید، محققان، دانشمندان، مهندسان و دانشجویان رشته‌های مرتبط با یادگیری ماشین، به عنوان هیبریدیسم ارائه شده و مطالعات موردی شرح داده شده، رویکردها و ابتکارات موفقیت آمیزی را برای رسیدگی موثر به مشکلات پیچیده طبقه بندی یا رگرسیون در اختیار محققان قرار می دهد.

<. span> همچنین برای خوانندگانی که از رشته‌های دیگر، از جمله مهندسی، پزشکی یا علوم آموزشی آمده‌اند، و علاقه‌مند به آشنایی با برخی از جدیدترین فن‌آوری‌های مبتنی بر یادگیری ماشین هستند. فهرست های گسترده ای از منابع کتابشناختی در پایان هر فصل خوانندگان را راهنمایی می کند تا در زمینه های کاربردی مورد علاقه خود بیشتر تحقیق کنند.

This book aims at updating the relevant computer science-related research communities, including professors, researchers, scientists, engineers and students, as well as the general reader from other disciplines, on the most recent advances in applications of methods based on Fusing Machine Learning Paradigms. Integrated or Hybrid Machine Learning methodologies combine together two or more Machine Learning approaches achieving higher performance and better efficiency when compared to those of their constituent components and promising major impact in science, technology and the society. The book consists of an editorial note and an additional eight chapters and is organized into two parts, namely: (i) Recent Application Areas of Fusion of Machine Learning Paradigms and (ii) Applications that can clearly benefit from Fusion of Machine Learning Paradigms.

This book is directed toward professors, researchers, scientists, engineers and students in Machine Learning-related disciplines, as the hybridism presented, and the case studies described provide researchers with successful approaches and initiatives to efficiently address complex classification or regression problems.

It is also directed toward readers who come from other disciplines, including Engineering, Medicine or Education Sciences, and are interested in becoming versed in some of the most recent Machine Learning-based technologies. Extensive lists of bibliographic references at the end of each chapter guide the readers to probe further into the application areas of interest to them.