دانلود کتاب Learning from Imbalanced Data Sets
کتاب یادگیری از مجموعه داده های نامتعادل نسخه زبان اصلی
دانلود کتاب یادگیری از مجموعه داده های نامتعادل بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Learning from Imbalanced Data Sets
نام کتاب : Learning from Imbalanced Data Sets
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : یادگیری از مجموعه داده های نامتعادل
سری :
نویسندگان : Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera
ناشر : Springer International Publishing
سال نشر : 2018
تعداد صفحات : 385
ISBN (شابک) : 9783319980737 , 9783319980744
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 11 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
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 می کند. 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 کلاسهای اریب باینری استفاده میشوند. 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 طبقهای تمرکز میکند، جایی که روشهای کلاسیک سابق دیگر به روشی ساده استفاده نمیشوند.این کتاب همچنین بر دادههای ذاتی تمرکز دارد. ویژگی هایی که دلایل اصلی هستند که با اضافه شدن به توزیع نابرابر کلاس، واقعاً مانع از عملکرد الگوریتم های طبقه بندی در این سناریو می شوند. سپس، نکاتی در مورد کاهش دادهها به منظور درک مزایای استفاده از این نوع رویکردها ارائه میشود.
در نهایت این کتاب برخی از حوزههای مطالعه جدید را معرفی میکند که توجه عمیقتری به موارد نامتعادل جلب میکند. مسئله داده به طور خاص، طبقه بندی جریان های داده، مشکلات طبقه بندی غیر کلاسیک و مقیاس پذیری مربوط به داده های بزرگ را در نظر می گیرد. نمونههایی از کتابخانهها و ماژولهای نرمافزاری برای رسیدگی به طبقهبندی نامتعادل ارائه شدهاند.
این کتاب برای متخصصان فنی، دانشجویان ارشد و کارشناسی ارشد در حوزههای علوم داده، علوم کامپیوتر و مهندسی بسیار مناسب است. همچنین برای دانشمندان و محققان به دست آوردن بینش در مورد تحولات جاری در این زمینه مطالعاتی و همچنین جهت گیری های تحقیقاتی آینده مفید خواهد بود.
فهرست مطالب :
Front Matter ....Pages i-xviii
Introduction to KDD and Data Science (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 1-17
Foundations on Imbalanced Classification (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 19-46
Performance Measures (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 47-61
Cost-Sensitive Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 63-78
Data Level Preprocessing Methods (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 79-121
Algorithm-Level Approaches (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 123-146
Ensemble Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 147-196
Imbalanced Classification with Multiple Classes (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 197-226
Dimensionality Reduction for Imbalanced Learning (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 227-251
Data Intrinsic Characteristics (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 253-277
Learning from Imbalanced Data Streams (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 279-303
Non-classical Imbalanced Classification Problems (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 305-325
Imbalanced Classification for Big Data (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 327-349
Software and Libraries for Imbalanced Classification (Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera)....Pages 351-377
توضیحاتی در مورد کتاب به زبان اصلی :
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.