Incomplete Information: Rough Set Analysis

این کتاب مجموعه‌ای از فرمالیسم‌ها و روش‌های مدل‌سازی و مدیریت اطلاعات ناقص را ارائه می‌کند و انگیزه کاربرد آن‌ها در بازنمایی دانش، کشف دانش و یادگیری ماشین را فراهم می‌کند. تمرکز این کتاب بر ارائه مکانیسم‌های بازنمایی و استنتاج برای برخورد با دو جنبه خاص ناقصی، یعنی غیرقابل تشخیص بودن و شباهت است. آن تظاهرات جنبه‌های خاص ناقصی در هر ساختار داده و هر واحد شناختی ذاتی است. دانش کشف شده از چنین اطلاعاتی نامطمئن است، زیرا تنها با یک مدارا می توان آن را اثبات کرد. روش‌های توسعه‌یافته در این کتاب می‌توانند محدودیت‌های آن تحمل را آشکار کنند و در محیط‌هایی که اطلاعات کامل در دسترس نیست، استنباط‌های قابل اعتمادی به دست آورند. چارچوب ارائه شده در این کتاب کلی و نامحدود است، و در عین حال ویژگی‌های مربوط به طیف وسیعی از داده‌های کاربر را در بر می‌گیرد.

The book presents rough set formalisms and methods of modeling and handling incomplete information and motivates their applicability to knowledge representation, knowledge discovery and machine learning. The book focuses on providing representational and inference mechanisms for dealing with two particular aspects of incompleteness, namely indiscernibility and similarity. Those manifestations of particular aspects of incompleteness are inherent in any data structure and any cognitive unit. Knowledge discovered from such an information is uncertain in that it can only be asserted with a tolerance. The methods developed in the book are capable of exposing the limits of that tolerance and of making reliable inferences in the environments where complete information is not available. The framework presented in the book is general and unrestrictive, and yet at the same time captures the relevant features of a great variety of the user's data.