Learning Classifier Systems in Data Mining

درست بیش از سی سال پس از اینکه هالند برای اولین بار طرح کلی الگوی سیستم طبقه بندی کننده یادگیری را ارائه کرد، توانایی LCS برای حل مسائل پیچیده دنیای واقعی آشکار می شود. به طور خاص، توانایی آنها برای القای قوانین در داده کاوی باعث علاقه مجدد به LCS شده است. این کتاب کار تعدادی از افراد را گرد هم می آورد که عملکرد خوب خود را در زمینه های مختلف نشان می دهند.

اولین مشارکت به صورت زیر مرتب شده است: در ابتدا، اشکال اصلی LCS با جزئیات توضیح داده شده است. سپس تعدادی از کاربردهای تاریخی LCS در داده کاوی قبل از ارائه مروری بر بقیه جلد بررسی می شود. بقیه این کتاب تحقیقات اخیر در مورد استفاده از LCS در زمینه های اصلی داده کاوی یادگیری ماشین را شرح می دهد: طبقه بندی، خوشه بندی، سری های زمانی و پیش بینی عددی، انتخاب ویژگی، مجموعه ها، و کشف دانش.

Just over thirty years after Holland first presented the outline for Learning Classifier System paradigm, the ability of LCS to solve complex real-world problems is becoming clear. In particular, their capability for rule induction in data mining has sparked renewed interest in LCS. This book brings together work by a number of individuals who are demonstrating their good performance in a variety of domains.

The first contribution is arranged as follows: Firstly, the main forms of LCS are described in some detail. A number of historical uses of LCS in data mining are then reviewed before an overview of the rest of the volume is presented. The rest of this book describes recent research on the use of LCS in the main areas of machine learning data mining: classification, clustering, time-series and numerical prediction, feature selection, ensembles, and knowledge discovery.