Pattern Mining with Evolutionary Algorithms

این کتاب یک نمای کلی از حوزه الگوریتم کاوی با الگوریتم های تکاملی ارائه می دهد. برای انجام این کار، تعاریف رسمی در مورد الگوها، استخراج الگوها، نوع الگوها و سودمندی الگوها در فرآیند کشف دانش را پوشش می دهد. همانطور که در کتاب توضیح داده شده است، فرآیند کشف از نیازهای زمان اجرا و حافظه بالا رنج می برد، به خصوص زمانی که مجموعه داده های با ابعاد بالا تجزیه و تحلیل می شوند. برای حل این موضوع، استراتژی های هرس زیادی توسعه داده شده است. با این وجود، با افزایش علاقه به ذخیره سازی اطلاعات، مجموعه داده های بیشتری از چنان ابعادی تشکیل می شود که کشف الگوهای جالب به یک فرآیند چالش برانگیز تبدیل می شود. در این راستا، استفاده از الگوریتم‌های تکاملی برای الگوی کاوی، ظرفیت محاسباتی را کاهش می‌دهد و راه‌حل‌های به اندازه کافی خوب ارائه می‌کند.
این کتاب بررسی محاسبات تکاملی را با تأکید ویژه بر الگوریتم‌های ژنتیک و برنامه‌ریزی ژنتیک ارائه می‌دهد. همچنین شامل تجزیه و تحلیل مجموعه ای از معیارهای کیفیت است که بیشترین استفاده را در زمینه الگوریتم با الگوریتم های تکاملی دارد. این کتاب به عنوان بررسی مهم‌ترین الگوریتم‌های تکاملی برای الگوبرداری است. تجزیه و تحلیل الگوریتم های مختلف برای استخراج انواع مختلف الگوها و روابط بین الگوها، مانند الگوهای مکرر، الگوهای نادر، الگوهای تعریف شده در یک حوزه پیوسته، یا حتی الگوهای مثبت و منفی را در نظر می گیرد.
یک مشکل کاملا جدید در الگو زمینه معدن، استخراج روابط استثنایی بین الگوها، مورد بحث قرار گرفته است. در این مشکل، هدف شناسایی الگوهایی است که توزیع آنها به طور استثنایی با توزیع در مجموعه کامل رکوردهای داده متفاوت است. در نهایت، این کتاب به وظیفه کشف زیرگروه می پردازد، روشی برای شناسایی زیر گروهی از الگوهای جالب که به یک متغیر وابسته یا ویژگی هدف مرتبط است. این زیر گروه از الگوها دو شرط اساسی را برآورده می کند: تفسیرپذیری و جالب بودن.

This book provides a comprehensive overview of the field of pattern mining with evolutionary algorithms. To do so, it covers formal definitions about patterns, patterns mining, type of patterns and the usefulness of patterns in the knowledge discovery process. As it is described within the book, the discovery process suffers from both high runtime and memory requirements, especially when high dimensional datasets are analyzed. To solve this issue, many pruning strategies have been developed. Nevertheless, with the growing interest in the storage of information, more and more datasets comprise such a dimensionality that the discovery of interesting patterns becomes a challenging process. In this regard, the use of evolutionary algorithms for mining pattern enables the computation capacity to be reduced, providing sufficiently good solutions.
This book offers a survey on evolutionary computation with particular emphasis on genetic algorithms and genetic programming. Also included is an analysis of the set of quality measures most widely used in the field of pattern mining with evolutionary algorithms. This book serves as a review of the most important evolutionary algorithms for pattern mining. It considers the analysis of different algorithms for mining different type of patterns and relationships between patterns, such as frequent patterns, infrequent patterns, patterns defined in a continuous domain, or even positive and negative patterns.
A completely new problem in the pattern mining field, mining of exceptional relationships between patterns, is discussed. In this problem the goal is to identify patterns which distribution is exceptionally different from the distribution in the complete set of data records. Finally, the book deals with the subgroup discovery task, a method to identify a subgroup of interesting patterns that is related to a dependent variable or target attribute. This subgroup of patterns satisfies two essential conditions: interpretability and interestingness.