توضیحات
This book provides a general and comprehensible overview of imbalanced learning. It contains a formal description of a problem, and focuses on its main features, and the most relevant proposed solutions. Additionally, it considers the different scenarios in Data Science for which the imbalanced classification can create a real challenge.
This book stresses the gap with standard classification tasks by reviewing the case studies and ad-hoc performance metrics that are applied in this area. It also covers the different approaches that have been traditionally applied to address the binary skewed class distribution. Specifically, it reviews cost-sensitive learning, data-level preprocessing methods and algorithm-level solutions, taking also into account those ensemble-learning solutions that embed any of the former alternatives. Furthermore, it focuses on the extension of the problem for multi-class problems, where the former classical methods are no longer to be applied in a straightforward way.
This book also focuses on the data intrinsic characteristics that are the main causes which, added to the uneven class distribution, truly hinders the performance of classification algorithms in this scenario. Then, some notes on data reduction are provided in order to understand the advantages related to the use of this type of approaches.
Finally this book introduces some novel areas of study that are gathering a deeper attention on the imbalanced data issue. Specifically, it considers the classification of data streams, non-classical classification problems, and the scalability related to Big Data. Examples of software libraries and modules to address imbalanced classification are provided.
This book is highly suitable for technical professionals, senior undergraduate and graduate students in the areas of data science, computer science and engineering. It will also be useful for scientists and researchers to gain insight on the current developments in this area of study, as well as future research directions.
————————————————————–
ترجمه ماشینی :
این کتاب نمای کلی و قابل فهمی از یادگیری نامتعادل ارائه می دهد. این شامل یک توصیف رسمی از یک مشکل است و بر ویژگی های اصلی آن و مرتبط ترین راه حل های پیشنهادی تمرکز دارد. علاوه بر این، سناریوهای مختلف در علم داده را در نظر می گیرد که طبقه بندی نامتعادل می تواند چالش واقعی برای آنها ایجاد کند.
این کتاب با بررسی مطالعات موردی و معیارهای عملکرد موقتی که در این زمینه اعمال میشود، بر شکاف وظایف طبقهبندی استاندارد تأکید میکند. همچنین رویکردهای مختلفی را پوشش میدهد که به طور سنتی برای رسیدگی به توزیع کلاس دودویی اریب اعمال میشدند. به طور خاص، یادگیری حساس به هزینه، روشهای پیشپردازش در سطح داده و راهحلهای سطح الگوریتم را بررسی میکند، همچنین راهحلهای یادگیری گروهی را که هر یک از جایگزینهای قبلی را تعبیه میکنند، در نظر میگیرد. علاوه بر این، این کتاب بر گسترش مسئله برای مسائل چند کلاسه تمرکز میکند، جایی که روشهای کلاسیک سابق دیگر به روشی ساده اعمال نمیشوند.
این کتاب همچنین بر دادههای درونی تمرکز دارد. ویژگی هایی که دلایل اصلی هستند که با اضافه شدن به توزیع ناهموار کلاس، واقعاً مانع از عملکرد الگوریتم های طبقه بندی در این سناریو می شوند. سپس، نکاتی د
tag : دانلود کتاب یادگیری از مجموعه داده های نامتعادل , Download یادگیری از مجموعه داده های نامتعادل , دانلود یادگیری از مجموعه داده های نامتعادل , Download Learning from Imbalanced Data Sets Book , یادگیری از مجموعه داده های نامتعادل دانلود , buy یادگیری از مجموعه داده های نامتعادل , خرید کتاب یادگیری از مجموعه داده های نامتعادل , دانلود کتاب Learning from Imbalanced Data Sets , کتاب Learning from Imbalanced Data Sets , دانلود Learning from Imbalanced Data Sets , خرید Learning from Imbalanced Data Sets , خرید کتاب Learning from Imbalanced Data Sets ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.