Soft Computing for Knowledge Discovery: Introducing Cartesian Granule Features

کشف دانش حوزه‌ای از علوم رایانه است که تلاش می‌کند الگوهای جالب و مفیدی را در داده‌ها کشف کند که به رایانه اجازه می‌دهد تا یک کار را به طور مستقل انجام دهد یا به انسان در انجام کارایی کارآمدتر کمک کند.
محاسبات نرم. for Knowledge Discoveryتئوری و الگوریتم های کلیدی را که هسته اصلی کشف دانش را از دیدگاه محاسبات نرم تشکیل می دهند، ارائه می دهد. بر بازنمایی دانش، یادگیری ماشین و روش‌های کلیدی که تار و پود محاسبات نرم را می‌سازند - تئوری مجموعه‌های فازی، منطق فازی، محاسبات تکاملی، و نظریه‌های مختلف احتمال (مانند شبکه‌های ساده بیز و بیزی، نظریه دمپستر-شفر، نظریه انتساب انبوه، و دیگران). نویسنده علاوه بر توصیف بسیاری از روش‌های پیشرفته محاسبات نرم برای کشف دانش، ویژگی‌های گرانولدکارتی و الگوریتم‌های یادگیری مربوط به آن‌ها را به عنوان رویکردی بصری به دانش معرفی می‌کند. کشف. این رویکرد جدید روحیه هم افزایی محاسبات نرم را در بر می گیرد و از عدم قطعیت برای دستیابی به قابلیت حمل، شفافیت و تعمیم استفاده می کند. شباهت هایی بین این رویکرد و سایر رویکردهای شناخته شده (مانند بیز ساده و درخت تصمیم) که منجر به هم ارزی ها در شرایط خاص می شود ترسیم شده است.
رویکردهای ارائه شده بیشتر در مجموعه ای از مسائل مصنوعی و واقعی نشان داده شده اند. کشف دانش در مسائل دنیای واقعی، مانند تشخیص اشیا در صحنه های بیرونی، تشخیص و کنترل پزشکی، به تفصیل شرح داده شده است. این مطالعات موردی مثال‌های بیشتری از نحوه به کارگیری مفاهیم و الگوریتم‌های ارائه‌شده در مسائل عملی ارائه می‌دهند.
نویسنده دسترسی به صفحه وب را به کتاب‌شناسی آنلاین، مجموعه‌های داده، کدهای منبع برای چندین الگوریتم شرح‌داده‌شده در کتاب و اطلاعات دیگر ارائه می‌دهد.
محاسبات نرم برای کشف دانش برای دانشجویان پیشرفته، متخصصان و محققان علوم کامپیوتر، مهندسی و سیستم های اطلاعات کسب و کار است که در زمینه های پویا کشف دانش و محاسبات نرم کار می کنند یا علاقه مند هستند.

Knowledge discovery is an area of computer science that attempts to uncover interesting and useful patterns in data that permit a computer to perform a task autonomously or assist a human in performing a task more efficiently.
Soft Computing for Knowledge Discovery provides a self-contained and systematic exposition of the key theory and algorithms that form the core of knowledge discovery from a soft computing perspective. It focuses on knowledge representation, machine learning, and the key methodologies that make up the fabric of soft computing - fuzzy set theory, fuzzy logic, evolutionary computing, and various theories of probability (e.g. naïve Bayes and Bayesian networks, Dempster-Shafer theory, mass assignment theory, and others). In addition to describing many state-of-the-art soft computing approaches to knowledge discovery, the author introduces Cartesian granulefeatures and their corresponding learning algorithms as an intuitive approach to knowledge discovery. This new approach embraces the synergistic spirit of soft computing and exploits uncertainty in order to achieve tractability, transparency and generalization. Parallels are drawn between this approach and other well known approaches (such as naive Bayes and decision trees) leading to equivalences under certain conditions.
The approaches presented are further illustrated in a battery of both artificial and real-world problems. Knowledge discovery in real-world problems, such as object recognition in outdoor scenes, medical diagnosis and control, is described in detail. These case studies provide further examples of how to apply the presented concepts and algorithms to practical problems.
The author provides web page access to an online bibliography, datasets, source codes for several algorithms described in the book, and other information.
Soft Computing for Knowledge Discovery is for advanced undergraduates, professionals and researchers in computer science, engineering and business information systems who work or have an interest in the dynamic fields of knowledge discovery and soft computing.