Imbalanced Learning: Foundations, Algorithms, and Applications

اولین کتاب در نوع خود برای بررسی وضعیت فعلی و مسیر آینده شاخه جدید و هیجان انگیز یادگیری ماشین/داده کاوی به نام یادگیری نامتعادل

یادگیری نامتعادل بر چگونگی تمرکز دارد. یک سیستم هوشمند زمانی می تواند یاد بگیرد که با داده های نامتعادل ارائه شود. حل مشکلات یادگیری نامتعادل در بسیاری از سیستم‌های شبکه‌ای مبتنی بر داده، از جمله نظارت، امنیت، اینترنت، امور مالی، زیست پزشکی، دفاع و غیره حیاتی است. با توجه به ویژگی‌های پیچیده ذاتی مجموعه داده‌های نامتعادل، یادگیری از چنین داده‌هایی نیازمند درک، اصول، الگوریتم‌ها و ابزارهای جدیدی است تا مقادیر زیادی از داده‌های خام را به طور کارآمد به اطلاعات و بازنمایی دانش تبدیل کند.

اولین نگاه جامع به این شاخه جدید یادگیری ماشینی، این کتاب یک بررسی انتقادی از مشکل یادگیری نامتعادل ارائه می‌دهد که وضعیت هنر در تکنیک‌ها، اصول و کاربردهای دنیای واقعی را پوشش می‌دهد. یادگیری نامتعادل: مبانی، الگوریتم ها و کاربردها با ارائه کمک های متخصصان در دانشگاه و صنعت، پوشش فصلی را در این زمینه ارائه می دهد:

• مبانی یادگیری نامتعادل
• مجموعه های داده نامتعادل : از نمونه گیری تا طبقه بندی کننده ها
• روش های گروهی برای یادگیری عدم تعادل کلاس
• روش های یادگیری عدم تعادل کلاس برای ماشین های بردار پشتیبان
• عدم تعادل کلاس و یادگیری فعال
• < li>یادگیری داده های جریانی غیر ثابت با توزیع کلاس نامتعادل
• معیارهای ارزیابی برای یادگیری نامتعادل

یادگیری نامتعادل: مبانی، الگوریتم ها و کاربردها به دانشمندان و مهندسان کمک کنید تا یاد بگیرند که چگونه با مشکل یادگیری از مجموعه داده های نامتعادل مقابله کنند، و بینشی در مورد پیشرفت های فعلی در این زمینه و همچنین جهت گیری های تحقیقاتی آینده به دست آورند. br>فصل 2 مبانی یادگیری نامتعادل (صفحات 13-41): گری ام. وایس
فصل 3 مجموعه داده های نامتعادل: از نمونه گیری تا طبقه بندی کننده ها (صفحات 43-59): تی. رایان هونز و نیتش وی. چاولا
فصل 4 روش‌های گروهی برای یادگیری عدم تعادل کلاس (صفحه‌های 61-82): Xu?Ying Liu و Zhi?Hua Zhou
فصل 5 روش‌های یادگیری عدم تعادل کلاس برای ماشین‌های بردار پشتیبان (صفحه‌های 83-99): Rukshan Batuwita و Vasile Palade< br>فصل 6 عدم تعادل کلاسی و یادگیری فعال (صفحات 101-149): جاش آتنبرگ و سیدا ارتکین
فصل 7 یادگیری جریان غیر ثابت داده با توزیع نامتعادل کلاس (صفحات 151-186): شنگ چن و هایبو هپ
8 معیارهای ارزیابی برای یادگیری نامتعادل (صفحات 187-206): Nathalie Japkowicz

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 1–12): Haibo He
Chapter 2 Foundations of Imbalanced Learning (pages 13–41): Gary M. Weiss
Chapter 3 Imbalanced Datasets: From Sampling to Classifiers (pages 43–59): T. Ryan Hoens and Nitesh V. Chawla
Chapter 4 Ensemble Methods for Class Imbalance Learning (pages 61–82): Xu?Ying Liu and Zhi?Hua Zhou
Chapter 5 Class Imbalance Learning Methods for Support Vector Machines (pages 83–99): Rukshan Batuwita and Vasile Palade
Chapter 6 Class Imbalance and Active Learning (pages 101–149): Josh Attenberg and Seyda Ertekin
Chapter 7 Nonstationary Stream Data Learning with Imbalanced Class Distribution (pages 151–186): Sheng Chen and Haibo He
Chapter 8 Assessment Metrics for Imbalanced Learning (pages 187–206): Nathalie Japkowicz