Uncertainty Modelling in Data Science

ویرایش: [1st ed.] 
نویسندگان: Sébastien Destercke,  Thierry Denoeux,  María Ángeles Gil,  Przemyslaw Grzegorzewski,  Olgierd Hryniewicz  
سری: Advances in Intelligent Systems and Computing 832 
ISBN (شابک) : 9783319975467, 9783319975474 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: XI, 234
[246] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb 

قیمت کتاب (تومان) : 82,000



این کتاب دارای 29 مقاله بررسی شده است که در نهمین کنفرانس بین المللی روش های نرم در احتمال و آمار (SMPS 2018) که همزمان با پنجمین کنفرانس بین المللی کارکردهای باور (BELIEF 2018) در سال 2018 برگزار شد، ارائه شده است. Compiègne، فرانسه در 17-21 سپتامبر 2018. شامل مشارکت های بنیادی، روش شناختی و کاربردی در موضوعات مختلف مانند مدیریت نادقیق داده ها، خلاصه های زبانی، انسجام مدل، زنجیره مارکوف نادقیق و بهینه سازی قوی است. این اقدامات با استفاده از EasyChair تولید شده‌اند.

در دهه‌های اخیر، علاقه به برنامه‌های افزودنی و جایگزین‌های احتمال و آمار در حوزه‌های مختلف، از جمله تصمیم‌گیری، داده‌کاوی و یادگیری ماشین، و بهینه‌سازی به‌طور چشمگیری افزایش یافته است. این علاقه ناشی از نیاز به غنی‌سازی مدل‌های موجود، به منظور گنجاندن جنبه‌های مختلف عدم قطعیت، مانند ناآگاهی، ابهام، تصادفی بودن، تعارض یا عدم دقت است. چارچوب‌هایی مانند مجموعه‌های ناهموار، مجموعه‌های فازی، متغیرهای تصادفی فازی، مجموعه‌های تصادفی، توابع باور، نظریه امکان، احتمالات غیردقیق، پیش‌بینی‌های پایین‌تر، و قمارهای مطلوب، همگی در این هدف مشترک هستند، اما از نیازهای متفاوتی پدید آمده‌اند.

پیشرفت ها، نتایج و ابزارهای ارائه شده در این کتاب در زمینه های همه جا حاضر و در حال رشد سریع علم داده، یادگیری ماشین و هوش مصنوعی مهم هستند. در واقع، یکی از جنبه‌های مهم برخی از مدل‌های پیش‌بینی آموخته‌شده، اعتماد به آن‌ها است.

مدل‌سازی عدم قطعیت مرتبط با داده‌ها و مدل‌ها با دقت و با روش‌های اصولی یکی از ابزارهای افزایش این اعتماد است. ، زیرا مدل پس از آن قادر خواهد بود بین پیش بینی های قابل اعتماد و کمتر قابل اعتماد تمایز قائل شود. علاوه بر این، برنامه‌های افزودنی مانند مجموعه‌های فازی را می‌توان به صراحت برای ارائه مدل‌های پیش‌بینی قابل تفسیر، تسهیل تعامل کاربر و افزایش اعتماد طراحی کرد.

This book features 29 peer-reviewed papers presented at the 9th International Conference on Soft Methods in Probability and Statistics (SMPS 2018), which was held in conjunction with the 5th International Conference on Belief Functions (BELIEF 2018) in Compiègne, France on September 17–21, 2018. It includes foundational, methodological and applied contributions on topics as varied as imprecise data handling, linguistic summaries, model coherence, imprecise Markov chains, and robust optimisation. These proceedings were produced using EasyChair.

Over recent decades, interest in extensions and alternatives to probability and statistics has increased significantly in diverse areas, including decision-making, data mining and machine learning, and optimisation. This interest stems from the need to enrich existing models, in order to include different facets of uncertainty, like ignorance, vagueness, randomness, conflict or imprecision. Frameworks such as rough sets, fuzzy sets, fuzzy random variables, random sets, belief functions, possibility theory, imprecise probabilities, lower previsions, and desirable gambles all share this goal, but have emerged from different needs.

The advances, results and tools presented in this book are important in the ubiquitous and fast-growing fields of data science, machine learning and artificial intelligence. Indeed, an important aspect of some of the learned predictive models is the trust placed in them.

Modelling the uncertainty associated with the data and the models carefully and with principled methods is one of the means of increasing this trust, as the model will then be able to distinguish between reliable and less reliable predictions. In addition, extensions such as fuzzy sets can be explicitly designed to provide interpretable predictive models, facilitating user interaction and increasing trust.