Kernel-based Data Fusion for Machine Learning: Methods and Applications in Bioinformatics and Text Mining

مشکلات ادغام داده ها اغلب در زمینه های مختلف ایجاد می شود. این کتاب مقدمه ای خاص برای مشکلات ترکیب داده ها با استفاده از ماشین های بردار پشتیبان ارائه می دهد. در بخش اول، این کتاب با بررسی مختصری از مدل‌های افزودنی و اهداف ضریب رایلی در یادگیری ماشین آغاز می‌شود و سپس همجوشی هسته را به عنوان بسط افزودنی ماشین‌های بردار پشتیبان در مسئله دوگانه معرفی می‌کند. بخش دوم چندین الگوریتم ادغام هسته جدید و برخی کاربردهای واقعی در یادگیری نظارت شده و بدون نظارت را ارائه می کند. بخش آخر کتاب ارزش تئوری‌ها و الگوریتم‌های پیشنهادی را در MerKator، یک نرم‌افزار باز برای شناسایی ژن‌های مرتبط با بیماری بر اساس ادغام منابع داده‌های ژنومی ناهمگن در گونه‌های مختلف، اثبات می‌کند.

موضوعات ارائه شده در این کتاب برای محققان یا دانشجویانی است که از ماشین های بردار پشتیبانی استفاده می کنند. چندین موضوع مطرح شده در این کتاب ممکن است برای زیست شناسان محاسباتی که می خواهند با چالش های همجوشی داده ها در برنامه های کاربردی واقعی مقابله کنند، جالب باشد. پیشینه مورد نیاز خواننده، دانش خوب داده کاوی، یادگیری ماشین و جبر خطی است.

Data fusion problems arise frequently in many different fields. This book provides a specific introduction to data fusion problems using support vector machines. In the first part, this book begins with a brief survey of additive models and Rayleigh quotient objectives in machine learning, and then introduces kernel fusion as the additive expansion of support vector machines in the dual problem. The second part presents several novel kernel fusion algorithms and some real applications in supervised and unsupervised learning. The last part of the book substantiates the value of the proposed theories and algorithms in MerKator, an open software to identify disease relevant genes based on the integration of heterogeneous genomic data sources in multiple species.

The topics presented in this book are meant for researchers or students who use support vector machines. Several topics addressed in the book may also be interesting to computational biologists who want to tackle data fusion challenges in real applications. The background required of the reader is a good knowledge of data mining, machine learning and linear algebra.