Springer – Visual Knowledge Discovery and Machine Learning 2018

در تاریخ: 1405/06/31 8:56:40

توضیحات

کتاب Visual Knowledge Discovery and Machine Learning. فهم و تحلیل داده‌های چندبعدی و پیچیده همواره یکی از بزرگترین چالش‌های هوش مصنوعی بوده است؛ چرا که ذهن انسان توانایی تجسم مستقیم ابعاد بالاتر از سه بعد را ندارد. پروفسور «بوریس کووالرچوک» در این کتاب ارزشمند، رویکردی نوین را معرفی می‌کند که مزایای تصویرسازی داده‌های با ابعاد بالا را با الگوریتم‌های یادگیری ماشین ادغام می‌کند. این اثر با معرفی چارچوب ریاضیاتی نوآورانه‌ای به نام «مختصات خطوط عمومی» (GLC)، روش‌های تصویرسازی دوبعدی و سه‌بعدی برگشت‌پذیر و بدون اتلاف اطلاعات را توسعه می‌دهد تا الگوهای پنهان در داده‌های پیچیده چندبعدی به راحتی توسط انسان کشف شوند.

کتاب به بررسی دقیق این موضوع می‌پردازد که چگونه روش‌های سنتی کاهش ابعاد مانند تحلیل مؤلفه‌های اصلی (PCA)، بخشی از اطلاعات حیاتی را پیش از شروع فرآیند کشف دانش حذف می‌کنند. نویسنده با ارائه الگوریتم‌های ترکیبی، راهکارهایی را برای دسته‌بندی، خوشه‌بندی و بهینه‌سازی پارتو ارائه می‌دهد که نه تنها دقت مدل‌ها را حفظ می‌کنند، بلکه باعث افزایش تفسیرپذیری و شفافیت مدل‌های جعبه‌سیاه یادگیری ماشین می‌شوند. این کتاب با بررسی مطالعات موردی واقعی از جمله فاجعه شاتل چلنجر، پایش سلامت و پیش‌بینی بازارهای مالی، منبعی بی‌نظیر برای دانشمندان داده است.

ویژگی های کتاب

معرفی سیستم‌های تصویرسازی بدون اتلاف اطلاعات و برگشت‌پذیر برای داده‌های چندبعدی (nD).
توسعه نظری و ریاضیاتی متدولوژی مختصات خطوط عمومی (GLC) برای تحلیل الگوهای پیچیده.
ارائه الگوریتم‌های ترکیبی یادگیری ماشین بصری برای وظایف خوشه‌بندی، دسته‌بندی و کاهش ابعاد.
بررسی روش‌های افزایش تفسیرپذیری و توضیح‌پذیری مدل‌های یادگیری عمیق به کمک ابزارهای بصری.
ارائه مطالعات موردی واقعی و ملموس در حوزه‌های پزشکی، پردازش تصویر، متون و تحلیل‌های مالی.