"Imbalanced Learning" - первая книга своего рода, посвященная обзору текущего состояния и будущего направления новой и захватывающей ветви машинного обучения/анализа данных, называемой несбалансированным обучением. Несбалансированное обучение фокусируется на том, как интеллектуальная система может учиться, когда ей предоставляются несбалансированные данные. Решение проблемы несбалансированного обучения является критически важным во многих данных-интенсивных сетевых системах, включая наблюдение, безопасность, Интернет, финансы, биомедицину, оборону и многое другое. Из-за врожденных сложных характеристик несбалансированных наборов данных, обучение на таких данных требует новых пониманий, принципов, алгоритмов и инструментов для эффективного преобразования огромных объемов необработанных данных в информацию и представление знаний.
Первый всесторонний обзор этой новой ветви машинного обучения, книга предлагает критический обзор проблемы несбалансированного обучения, охватывая современные методы, принципы и реальные приложения. В книге приводятся статьи от экспертов как из академической среды, так и из промышленности. Книга "Несбалансированное обучение: основы, алгоритмы и приложения" содержит главы, посвященные:
- Основы несбалансированного обучения
- Несбалансированные наборы данных: от выборки до классификаторов
- Ансамблевые методы для обучения на несбалансированных классах
- Методы обучения на несбалансированных классах для машин опорных векторов
- Несбалансированные классы и активное обучение
- Обучение на нестационарных потоках данных с несбалансированным распределением классов
- Метрики оценки для несбалансированного обучения
Книга "Несбалансированное обучение: основы, алгоритмы и приложения" поможет ученым и инженерам узнать, как решать проблему обучения на несбалансированных наборах данных и получить представление о текущих и будущих направлениях исследований в этой области.
Первая из ряда книг, рассматривающих современное состояние и направления новых захватывающих методов машинного обучения/познания данных под названием "неравномерное обучение". Книга фокусируется на том, как интеллектуальные системы могут обучаться, когда им предоставлены "неравномерно распределенные" данные. Решение проблем с неравномерным обучением чрезвычайно важно в ряде зависящих от данных сетевых системах, включая наблюдение, безопасность, Интернет, финансы, биомедицину, оборону и многих других.
Эта книга – первое издание, в котором анализируется современное состояние и будущие направления новой захватывающей области машинного обучения и интеллектуального анализа данных, называемой "imbalanced learning". Ее цель - раскрыть способы, которыми интеллектуальные системы могут обучаться, когда они снабжены несбалансированными данными. Решение проблем imbalanced learning имеет решающее значение для целого ряда наборов данных с интенсивным использованием, включая наблюдение, безопасность, Интернет, финансовый сектор, биомедицинский сектор, оборону и многое другое. Из-за характерных сложных важных аспектов несбалансированных массивов данных, обучение на такой основе требует нового понимания, принципов, алгоритмов и инструментов, чтобы эффективно преобразовать большие объемы необработанных данных в информацию. Эта книга предоставляет критическое рассмотрение проблемы imbalanced learning (несбалансированного обучения), включает обзор современных технологий, принципов и общих подходов к применению. Книга, автором которой является целый ряд экспертов в обеих научных и промышленных областях, предоставляет обсуждения по следующим темам: Основы imbalanced learning Несбалансированные данные: от выборок до классификаторов Методы ансамблевого обучения для класса с перевесом Обучение класса с перевесами для методов опорных векторов Обучение класса с перевесамина основе активного обучения Нестационарное обучение данным в режиме реального времени Оценка параметров при обучении с несбалансированным классом Распределение. Исследование imbalanced learning: основы, алгоритмы и приложения поможет ученым и инженерам разбираться, как обучаться на основе несбалансированных данных, и получить представление о современных достижениях в этой области, а также о направлениях будущих исследований.
Электронная Книга «Imbalanced Learning» написана автором Группа авторов в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781118646205
Описание книги от Группа авторов
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.
