Granular Computing based Machine Learning. A Big Data Processing Approach

این کتاب به بررسی نقش مهم محاسبات دانه ای در پیشبرد یادگیری ماشینی به سمت پردازش عمیق داده های بزرگ می پردازد. با معرفی ویژگی‌های اصلی داده‌های بزرگ، یعنی پنج در مقابل – حجم، سرعت، تنوع، صحت و متغیر آغاز می‌شود. این کتاب محاسبات دانه‌ای را به عنوان پاسخی به این واقعیت که وظایف یادگیری به دلیل افزایش وسیع و سریع اندازه داده‌ها پیچیده‌تر شده‌اند، و اینکه یادگیری ماشین سنتی برای مقابله کافی با داده‌های بزرگ بسیار کم‌عمق است، بررسی می‌کند. برخی از انواع محبوب یادگیری ماشین سنتی از نظر ویژگی‌های کلیدی و محدودیت‌هایشان در زمینه داده‌های بزرگ ارائه شده‌اند. علاوه بر این، این کتاب به این موضوع می‌پردازد که چرا یادگیری ماشین مبتنی بر محاسبات دانه‌ای مورد نیاز است، و نشان می‌دهد که چگونه مفاهیم محاسبات دانه‌ای را می‌توان به روش‌های مختلف برای پیشبرد یادگیری ماشین برای پردازش داده‌های بزرگ مورد استفاده قرار داد. چندین مطالعه موردی شامل داده‌های بزرگ با استفاده از داده‌های زیست‌پزشکی و داده‌های احساسات ارائه شده‌اند تا پیشرفت‌ها در پردازش داده‌های بزرگ را از طریق تغییر از یادگیری ماشین سنتی به یادگیری ماشین مبتنی بر محاسبات دانه‌ای نشان دهند. در نهایت، این کتاب بر اهمیت نظری، اهمیت عملی، تأثیر روش‌شناختی و جنبه‌های فلسفی یادگیری ماشین مبتنی بر محاسبات دانه‌ای تأکید می‌کند و چندین جهت دیگر را برای پیشبرد یادگیری ماشینی متناسب با نیازهای صنایع مدرن پیشنهاد می‌کند.
این کتاب هدف آن دانشجویان دکترا، محققان فوق دکترا و دانشگاهیان است که به طور فعال در تحقیقات بنیادی در زمینه یادگیری ماشین یا تحقیقات کاربردی در مورد داده کاوی و کشف دانش، تجزیه و تحلیل احساسات، تشخیص الگو، پردازش تصویر، بینایی کامپیوتری و تجزیه و تحلیل داده های بزرگ مشارکت دارند. همچنین برای مخاطبان گسترده‌تری از محققان و متخصصان که به طور فعال در تحقیق و توسعه سیستم‌های هوشمند مشارکت دارند، سود خواهد برد.

This book explores the significant role of granular computing in advancing machine learning towards in-depth processing of big data. It begins by introducing the main characteristics of big data, i.e., the five Vs—Volume, Velocity, Variety, Veracity and Variability. The book explores granular computing as a response to the fact that learning tasks have become increasingly more complex due to the vast and rapid increase in the size of data, and that traditional machine learning has proven too shallow to adequately deal with big data. Some popular types of traditional machine learning are presented in terms of their key features and limitations in the context of big data. Further, the book discusses why granular-computing-based machine learning is called for, and demonstrates how granular computing concepts can be used in different ways to advance machine learning for big data processing. Several case studies involving big data are presented by using biomedical data and sentiment data, in order to show the advances in big data processing through the shift from traditional machine learning to granular-computing-based machine learning. Finally, the book stresses the theoretical significance, practical importance, methodological impact and philosophical aspects of granular-computing-based machine learning, and suggests several further directions for advancing machine learning to fit the needs of modern industries.
This book is aimed at PhD students, postdoctoral researchers and academics who are actively involved in fundamental research on machine learning or applied research on data mining and knowledge discovery, sentiment analysis, pattern recognition, image processing, computer vision and big data analytics. It will also benefit a broader audience of researchers and practitioners who are actively engaged in the research and development of intelligent systems.