توضیحات
This book presents pattern-based problem-solving methods for a variety of machine learning and data analysis problems. The methods are all based on techniques that exploit the power of group differences. They make use of group differences represented using emerging patterns (aka contrast patterns), which are patterns that match significantly different numbers of instances in different data groups. A large number of applications outside of the computing discipline are also included.
Emerging patterns (EPs) are useful in many ways. EPs can be used as features, as simple classifiers, as subpopulation signatures/characterizations, and as triggering conditions for alerts. EPs can be used in gene ranking for complex diseases since they capture multi-factor interactions. The length of EPs can be used to detect anomalies, outliers, and novelties. Emerging/contrast pattern based methods for clustering analysis and outlier detection do not need distance metrics, avoiding pitfalls of the latter in exploratory analysis of high dimensional data. EP-based classifiers can achieve good accuracy even when the training datasets are tiny, making them useful for exploratory compound selection in drug design. EPs can serve as opportunities in opportunity-focused boosting and are useful for constructing powerful conditional ensembles. EP-based methods often produce interpretable models and results. In general, EPs are useful for classification, clustering, outlier detection, gene ranking for complex diseases, prediction model analysis and improvement, and so on.
EPs are useful for many tasks because they represent group differences, which have extraordinary power. Moreover, EPs represent multi-factor interactions, whose effective handling is of vital importance and is a major challenge in many disciplines.
Based on the results presented in this book, one can clearly say that patterns are useful, especially when they are linked to issues of interest.
We believe that many effective ways to exploit group differences’ power still remain to be discovered. Hopefully this book will inspire readers to discover such new ways, besides showing them existing ways, to solve various challenging problems.
————————————————————–
ترجمه ماشینی :
این کتاب روشهای حل مسئله مبتنی بر الگو را برای انواع مشکلات یادگیری ماشین و تجزیه و تحلیل دادهها ارائه میکند. روش ها همگی مبتنی بر تکنیک هایی هستند که از قدرت تفاوت های گروهی استفاده می کنند. آنها از تفاوتهای گروهی استفاده میکنند که با استفاده از الگوهای در حال ظهور (معروف به الگوهای کنتراست)، که الگوهایی هستند که با تعداد نمونههای متفاوتی در گروههای داده مختلف مطابقت دارند، استفاده میکنند. تعداد زیادی از برنامه های کاربردی خارج از رشته محاسبات نیز گنجانده شده است.
الگوهای در حال ظهور (EPs) از بسیاری جهات مفید هستند. EP ها را می توان به عنوان ویژگی، به عنوان طبقه بندی کننده ساده، به عنوان امضا/شخصیت های زیرجمعیت، و به عنوان شرایط آغازگر برای هشدار استفاده کرد. EP ها را می توان در رتبه بندی ژن برای بیماری های پیچیده استفاده کرد زیرا تعاملات چندعاملی را ثبت می کنند. طول EP ها را می توان برای تشخیص ناهنجاری ها، نقاط پرت و جدید استفاده کرد. روشهای مبتنی بر الگوی نوظهور/تضاد برای تجزیه و تحلیل خوشهبندی و تشخیص نقاط پرت نیازی به معیارهای فاصله ندارند، و از تلههای دومی در تجزیه و تحلیل اکتشافی دادههای ابعادی بالا اجتناب میکنند. طبقهبندیکنندههای مبتنی بر EP میتوانند حتی زمانی که مجموعه دادههای آموزشی کوچک هستند، به دقت خوبی دست یابند، که آنها را برای انتخاب ترکیب اکتشافی در طراحی دارو مفید میسازد. EP ها می توانند به عنوان فرصت هایی در تقویت فرصت محور عمل کنند و برای ساخت مجموعه های شرطی قدرتمند مفید هستند. روش های مبتنی بر EP اغلب مدل ها و نتایج قابل تفسیر را تولید می کنند. به طور کلی، EP ها برای طبقه بندی، خوشه بندی، تشخیص نقاط پرت، رتبه بندی ژن برای بیماری های پیچیده، تجزیه و تحلیل و بهبود مدل پیش بینی و غیره مفید هستند.
EP ها برای بسیاری از وظایف مفید هستند زیرا آنها تفاوت های گروهی را نشان می دهند، که در آن ها تفاوت های گروهی را نشان می دهند. قدرت فوق العاده ای دارند علاوه بر این، EP ها نشان دهنده تعاملات چند عاملی هستند که مدیریت موثر آنها از اهمیت حیاتی برخوردار است و یک چالش بزرگ در بسیاری از رشته ها است.
بر اساس نتایج ارائه شده در این کتاب، می توان به وضوح گفت که الگوها مفید هستند. به خصوص زمانی که آنها به موضوعات مورد علاقه مرتبط باشند.
ما معتقدیم که هنوز راه های موثر بسیاری برای بهره برداری از قدرت اختلافات گروهی کشف نشده است. امیدواریم این کتاب الهام بخش خوانندگان برای کشف چنین راه های جدیدی باشد، علاوه بر نشان دادن راه های موجود، برای حل مشکلات مختلف چالش برانگیز.
tag : دانلود کتاب بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها , Download بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها , دانلود بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها , Download Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems Book , بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها دانلود , buy بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها , خرید کتاب بهره برداری از قدرت تفاوت های گروهی: استفاده از الگوها برای حل مسائل تجزیه و تحلیل داده ها , دانلود کتاب Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems , کتاب Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems , دانلود Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems , خرید Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems , خرید کتاب Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.