Uncertainty Modeling for Data Mining: A Label Semantics Approach

یادگیری ماشین و داده کاوی به طور جدایی ناپذیری با عدم قطعیت مرتبط هستند. داده های قابل مشاهده برای یادگیری معمولاً نادقیق، ناقص یا پر سر و صدا هستند. مدل‌سازی عدم قطعیت برای داده کاوی: رویکرد معنایی برچسب "معناشناسی برچسب" را معرفی می‌کند، یک نظریه مبتنی بر منطق فازی برای مدل‌سازی عدم قطعیت. چندین الگوریتم داده کاوی جدید بر اساس معناشناسی برچسب پیشنهاد شده و بر روی مجموعه داده های دنیای واقعی آزمایش شده است. تفسیر نمونه اولیه معنایی برچسب و الگوریتم های داده کاوی مبتنی بر نمونه اولیه نیز مورد بحث قرار می گیرد. این کتاب منبع ارزشمندی برای فارغ التحصیلان، محققان و دیگر متخصصان در زمینه های داده کاوی، محاسبات فازی و استدلال عدم قطعیت ارائه می دهد.

Zengchang Qin دانشیار دانشکده علوم اتوماسیون و مهندسی برق، دانشگاه بی هانگ، چین؛ یونگ چوان تانگ دانشیار دانشکده علوم کامپیوتر، دانشگاه ژجیانگ، چین است.

Machine learning and data mining are inseparably connected with uncertainty. The observable data for learning is usually imprecise, incomplete or noisy. Uncertainty Modeling for Data Mining: A Label Semantics Approach introduces 'label semantics', a fuzzy-logic-based theory for modeling uncertainty. Several new data mining algorithms based on label semantics are proposed and tested on real-world datasets. A prototype interpretation of label semantics and new prototype-based data mining algorithms are also discussed. This book offers a valuable resource for postgraduates, researchers and other professionals in the fields of data mining, fuzzy computing and uncertainty reasoning.

Zengchang Qin is an associate professor at the School of Automation Science and Electrical Engineering, Beihang University, China; Yongchuan Tang is an associate professor at the College of Computer Science, Zhejiang University, China.