Preference Learning

موضوع ترجیحات شاخه جدیدی از یادگیری ماشین و داده کاوی است و در سالهای اخیر توجه قابل توجهی را در تحقیقات هوش مصنوعی به خود جلب کرده است. بازنمایی و پردازش دانش بر حسب ترجیحات جذاب است، زیرا به فرد اجازه می‌دهد خواسته‌ها را به شیوه‌ای اعلامی مشخص کند، شیوه‌های استدلال کیفی و کمی را ترکیب کند، و با ناسازگاری‌ها و استثناها به شیوه‌ای انعطاف‌پذیر برخورد کند. یادگیری ترجیحی به کسب مدل های ترجیحی از داده ها مربوط می شود - شامل یادگیری از مشاهداتی است که اطلاعاتی را در مورد ترجیحات یک فرد یا دسته ای از افراد نشان می دهد، و ساخت مدل هایی که فراتر از این داده های آموزشی تعمیم می یابد. این اولین کتابی است که به این موضوع اختصاص دارد و درمان آن جامع است. ویراستاران ابتدا یک مقدمه کامل، از جمله یک طبقه بندی سیستماتیک بر اساس وظیفه یادگیری و تکنیک یادگیری، همراه با یک نماد یکپارچه ارائه می دهند. باقیمانده کتاب در بخش‌هایی سازمان‌دهی شده است که از چارچوب توسعه‌یافته پیروی می‌کنند و مقالات نظرسنجی را با رساله‌های عمیق از موضوعات تحقیقاتی جاری در این زمینه تکمیل می‌کنند. این کتاب مورد توجه محققان و متخصصان هوش مصنوعی، به ویژه یادگیری ماشین و داده کاوی، و در زمینه‌هایی مانند تصمیم‌گیری چند معیاره و تحقیق در عملیات خواهد بود.

The topic of preferences is a new branch of machine learning and data mining, and it has attracted considerable attention in artificial intelligence research in recent years. Representing and processing knowledge in terms of preferences is appealing as it allows one to specify desires in a declarative way, to combine qualitative and quantitative modes of reasoning, and to deal with inconsistencies and exceptions in a flexible manner. Preference learning is concerned with the acquisition of preference models from data – it involves learning from observations that reveal information about the preferences of an individual or a class of individuals, and building models that generalize beyond such training data. This is the first book dedicated to this topic, and the treatment is comprehensive. The editors first offer a thorough introduction, including a systematic categorization according to learning task and learning technique, along with a unified notation. The remainder of the book is organized into parts that follow the developed framework, complementing survey articles with in-depth treatises of current research topics in this area. The book will be of interest to researchers and practitioners in artificial intelligence, in particular machine learning and data mining, and in fields such as multicriteria decision-making and operations research.