Machine Learning Paradigms: Artificial Immune Systems and their Applications in Software Personalization

موضوع این تک نگاری در پارادایم محاسباتی به اصطلاح با انگیزه بیولوژیکی قرار می گیرد که در آن زیست شناسی منبع مدل ها و الهام بخش توسعه هوش محاسباتی و سیستم های یادگیری ماشینی است. به طور خاص، سیستم های ایمنی مصنوعی به عنوان یک استعاره معتبر برای ایجاد بازنمایی های انتزاعی و سطح بالا از اجزا یا عملکردهای بیولوژیکی ارائه می شود که پایه های یک الگوی یادگیری ماشینی جایگزین را می گذارد. بنابراین، تمرکز بر پرداختن به مشکلات اولیه تشخیص الگو با توسعه الگوریتم‌های یادگیری ماشین مبتنی بر سیستم ایمنی مصنوعی برای مشکلات خوشه‌بندی، طبقه‌بندی و یک- است. طبقه بندی کلاس. طبقه بندی الگو، به ویژه، در چارچوب مشکل عدم تعادل کلاس مورد مطالعه قرار می گیرد. منبع اصلی الهام از این واقعیت ناشی می‌شود که سیستم ایمنی تطبیقی ​​یکی از پیچیده‌ترین سیستم‌های بیولوژیکی را تشکیل می‌دهد که به طور استثنایی به منظور رسیدگی مداوم به یک مشکل طبقه‌بندی الگوی بسیار نامتعادل، یعنی فرآیند تبعیض خود / غیر خود، تکامل یافته است. نتایج تجربی ارائه شده در این مونوگراف شامل طیف وسیعی از مسائل طبقه‌بندی دوتایی منحط است که در آن طبقه‌بندی اقلیت مورد علاقه باید در برابر حجم وسیعی از طبقه اکثریت الگوهای منفی شناسایی شود. در این زمینه، سیستم‌های ایمنی مصنوعی برای توسعه نرم‌افزار شخصی‌شده به‌عنوان مکانیزم اصلی در پشت اجرای سیستم‌های توصیه‌کننده استفاده می‌شوند.

این کتاب برای محققان، پزشکان و متخصصان مفید خواهد بود. دانشجویان فارغ التحصیل که با تشخیص الگو و یادگیری ماشین و کاربردهای آنها در نرم افزارهای شخصی شده و سیستم های توصیه کننده سر و کار دارند. هم برای متخصص/پژوهشگر در این زمینه ها و هم برای خوانندگان عمومی در زمینه هوش محاسباتی و به طور کلی تر علوم کامپیوتر که مایل به کسب اطلاعات بیشتر در مورد حوزه سیستم های محاسباتی هوشمند و کاربردهای آن هستند در نظر گرفته شده است. فهرست گسترده ای از منابع کتابشناختی در پایان هر فصل خواننده را راهنمایی می کند تا در حوزه کاربردی مورد علاقه خود بیشتر تحقیق کند.

The topic of this monograph falls within the, so-called, biologically motivated computing paradigm, in which biology provides the source of models and inspiration towards the development of computational intelligence and machine learning systems. Specifically, artificial immune systems are presented as a valid metaphor towards the creation of abstract and high level representations of biological components or functions that lay the foundations for an alternative machine learning paradigm. Therefore, focus is given on addressing the primary problems of Pattern Recognition by developing Artificial Immune System-based machine learning algorithms for the problems of Clustering, Classification and One-Class Classification. Pattern Classification, in particular, is studied within the context of the Class Imbalance Problem. The main source of inspiration stems from the fact that the Adaptive Immune System constitutes one of the most sophisticated biological systems that is exceptionally evolved in order to continuously address an extremely unbalanced pattern classification problem, namely, the self / non-self discrimination process. The experimental results presented in this monograph involve a wide range of degenerate binary classification problems where the minority class of interest is to be recognized against the vast volume of the majority class of negative patterns. In this context, Artificial Immune Systems are utilized for the development of personalized software as the core mechanism behind the implementation of Recommender Systems.

The book will be useful to researchers, practitioners and graduate students dealing with Pattern Recognition and Machine Learning and their applications in Personalized Software and Recommender Systems. It is intended for both the expert/researcher in these fields, as well as for the general reader in the field of Computational Intelligence and, more generally, Computer Science who wishes to learn more about the field of Intelligent Computing Systems and its applications. An extensive list of bibliographic references at the end of each chapter guides the reader to probe further into application area of interest to him/her.