دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed. نویسندگان: Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera سری: ISBN (شابک) : 9783319980737, 9783319980744 ناشر: Springer International Publishing سال نشر: 2018 تعداد صفحات: 385 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری از مجموعه داده های نامتعادل: است
در صورت تبدیل فایل کتاب Learning from Imbalanced Data Sets به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری از مجموعه داده های نامتعادل نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب نمای کلی و قابل فهمی از یادگیری نامتعادل ارائه می دهد. این شامل یک توصیف رسمی از یک مشکل است و بر ویژگی های اصلی آن و مرتبط ترین راه حل های پیشنهادی تمرکز دارد. علاوه بر این، سناریوهای مختلف در علم داده را در نظر می گیرد که طبقه بندی نامتعادل می تواند چالش واقعی برای آنها ایجاد کند.
این کتاب با بررسی مطالعات موردی و معیارهای عملکرد موقتی که در این زمینه اعمال میشود، بر شکاف وظایف طبقهبندی استاندارد تأکید میکند. همچنین رویکردهای مختلفی را پوشش میدهد که به طور سنتی برای رسیدگی به توزیع کلاس دودویی اریب اعمال میشدند. به طور خاص، یادگیری حساس به هزینه، روشهای پیشپردازش در سطح داده و راهحلهای سطح الگوریتم را بررسی میکند، همچنین راهحلهای یادگیری گروهی را که هر یک از جایگزینهای قبلی را تعبیه میکنند، در نظر میگیرد. علاوه بر این، این کتاب بر گسترش مسئله برای مسائل چند کلاسه تمرکز میکند، جایی که روشهای کلاسیک سابق دیگر به روشی ساده اعمال نمیشوند.این کتاب همچنین بر دادههای درونی تمرکز دارد. ویژگی هایی که دلایل اصلی هستند که با اضافه شدن به توزیع ناهموار کلاس، واقعاً مانع از عملکرد الگوریتم های طبقه بندی در این سناریو می شوند. سپس، نکاتی در مورد کاهش دادهها به منظور درک مزایای استفاده از این نوع رویکردها ارائه شده است.
در نهایت این کتاب برخی از حوزههای جدید مطالعه را معرفی میکند که توجه عمیقتری را به موارد نامتعادل جلب میکند. مسئله داده به طور خاص، طبقهبندی جریانهای داده، مشکلات طبقهبندی غیرکلاسیک و مقیاسپذیری مربوط به دادههای بزرگ را در نظر میگیرد. نمونههایی از کتابخانهها و ماژولهای نرمافزاری برای رسیدگی به طبقهبندی نامتعادل ارائه شده است.
این کتاب برای متخصصان فنی، دانشجویان ارشد و کارشناسی ارشد در زمینههای علوم داده، علوم کامپیوتر و مهندسی بسیار مناسب است. همچنین برای دانشمندان و محققان به دست آوردن بینش در مورد تحولات جاری در این زمینه مطالعاتی و همچنین جهت گیری های تحقیقاتی آینده مفید خواهد بود.
This book provides a general and comprehensible overview of imbalanced learning. It contains a formal description of a problem, and focuses on its main features, and the most relevant proposed solutions. Additionally, it considers the different scenarios in Data Science for which the imbalanced classification can create a real challenge.
This book stresses the gap with standard classification tasks by reviewing the case studies and ad-hoc performance metrics that are applied in this area. It also covers the different approaches that have been traditionally applied to address the binary skewed class distribution. Specifically, it reviews cost-sensitive learning, data-level preprocessing methods and algorithm-level solutions, taking also into account those ensemble-learning solutions that embed any of the former alternatives. Furthermore, it focuses on the extension of the problem for multi-class problems, where the former classical methods are no longer to be applied in a straightforward way.This book also focuses on the data intrinsic characteristics that are the main causes which, added to the uneven class distribution, truly hinders the performance of classification algorithms in this scenario. Then, some notes on data reduction are provided in order to understand the advantages related to the use of this type of approaches.
Finally this book introduces some novel areas of study that are gathering a deeper attention on the imbalanced data issue. Specifically, it considers the classification of data streams, non-classical classification problems, and the scalability related to Big Data. Examples of software libraries and modules to address imbalanced classification are provided.
This book is highly suitable for technical professionals, senior undergraduate and graduate students in the areas of data science, computer science and engineering. It will also be useful for scientists and researchers to gain insight on the current developments in this area of study, as well as future research directions.
Front Matter ....Pages i-xviii
Introduction to KDD and Data Science (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 1-17
Foundations on Imbalanced Classification (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 19-46
Performance Measures (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 47-61
Cost-Sensitive Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 63-78
Data Level Preprocessing Methods (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 79-121
Algorithm-Level Approaches (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 123-146
Ensemble Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 147-196
Imbalanced Classification with Multiple Classes (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 197-226
Dimensionality Reduction for Imbalanced Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 227-251
Data Intrinsic Characteristics (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 253-277
Learning from Imbalanced Data Streams (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 279-303
Non-classical Imbalanced Classification Problems (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 305-325
Imbalanced Classification for Big Data (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 327-349
Software and Libraries for Imbalanced Classification (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 351-377