دانلود کتاب Imbalanced Learning: Foundations, Algorithms, and Applications – یادگیری نامتعادل: مبانی ، الگوریتم ها و برنامه ها

توضیحات

The first book of its kind to review the current status and future direction of the exciting new branch of machine learning/data mining called imbalanced learning

Imbalanced learning focuses on how an intelligent system can learn when it is provided with imbalanced data. Solving imbalanced learning problems is critical in numerous data-intensive networked systems, including surveillance, security, Internet, finance, biomedical, defense, and more. Due to the inherent complex characteristics of imbalanced data sets, learning from such data requires new understandings, principles, algorithms, and tools to transform vast amounts of raw data efficiently into information and knowledge representation.

The first comprehensive look at this new branch of machine learning, this book offers a critical review of the problem of imbalanced learning, covering the state of the art in techniques, principles, and real-world applications. Featuring contributions from experts in both academia and industry, Imbalanced Learning: Foundations, Algorithms, and Applications provides chapter coverage on:

• Foundations of Imbalanced Learning
• Imbalanced Datasets: From Sampling to Classifiers
• Ensemble Methods for Class Imbalance Learning
• Class Imbalance Learning Methods for Support Vector Machines
• Class Imbalance and Active Learning
• Nonstationary Stream Data Learning with Imbalanced Class Distribution
• Assessment Metrics for Imbalanced Learning

Imbalanced Learning: Foundations, Algorithms, and Applications will help scientists and engineers learn how to tackle the problem of learning from imbalanced datasets, and gain insight into current developments in the field as well as future research directions.Content:
Chapter 1 Introduction (pages 112): Haibo He
Chapter 2 Foundations of Imbalanced Learning (pages 1341): Gary M. Weiss
Chapter 3 Imbalanced Datasets: From Sampling to Classifiers (pages 4359): T. Ryan Hoens and Nitesh V. Chawla
Chapter 4 Ensemble Methods for Class Imbalance Learning (pages 6182): Xu?Ying Liu and Zhi?Hua Zhou
Chapter 5 Class Imbalance Learning Methods for Support Vector Machines (pages 8399): Rukshan Batuwita and Vasile Palade
Chapter 6 Class Imbalance and Active Learning (pages 101149): Josh Attenberg and Seyda Ertekin
Chapter 7 Nonstationary Stream Data Learning with Imbalanced Class Distribution (pages 151186): Sheng Chen and Haibo He
Chapter 8 Assessment Metrics for Imbalanced Learning (pages 187206): Nathalie Japkowicz

————————————————————–

ترجمه ماشینی :

اولین کتاب از نوع خود برای مرور وضعیت فعلی و جهت آینده شاخه جدید هیجان انگیز یادگیری ماشین/داده کاوی به نام یادگیری نامتعادل یک سیستم هوشمند می تواند هنگام ارائه داده های نامتعادل ، یاد بگیرد. حل مشکلات یادگیری نامتعادل در بسیاری از سیستم های شبکه ای فشرده داده از جمله نظارت ، امنیت ، اینترنت ، امور مالی ، زیست پزشکی ، دفاع و موارد دیگر بسیار مهم است. با توجه به ویژگی های پیچیده ذاتی مجموعه داده های نامتعادل ، یادگیری از چنین داده هایی نیاز به درک ، اصول ، الگوریتم ها و ابزارهایی برای تبدیل مقادیر زیادی از داده های خام به طور کارآمد به اطلاعات و بازنمایی دانش دارد.

اولین نگاه جامع به این شاخه جدید از یادگیری ماشین ، این کتاب یک بررسی انتقادی از مشکل یادگیری نامتعادل ، پوشش وضعیت هنر در تکنیک ها ، اصول و برنامه های دنیای واقعی را ارائه می دهد. دارای مشارکت متخصصان در آکادمی و صنعت ، یادگیری نامتوازن: مبانی ، الگوریتم ها و برنامه های کاربردی پوشش فصل را در مورد: