Unsupervised Learning Algorithms

این کتاب به طور خلاصه پیشرفت‌های روز در یادگیری بدون نظارت را نشان می‌دهد. مشارکت‌کنندگان در مورد اینکه چگونه با تکثیر مقادیر انبوه داده‌های بدون برچسب، الگوریتم‌های یادگیری بدون نظارت، که می‌توانند به طور خودکار الگوهای جالب و مفید در چنین داده‌هایی را کشف کنند، در بین محققان و متخصصان محبوبیت پیدا کرده‌اند، بحث می‌کنند. نویسندگان بیان می کنند که چگونه این الگوریتم ها کاربردهای متعددی از جمله تشخیص الگو، تجزیه و تحلیل سبد بازار، وب کاوی، تجزیه و تحلیل شبکه های اجتماعی، بازیابی اطلاعات، سیستم های توصیه کننده، تحقیقات بازار، تشخیص نفوذ، و تشخیص تقلب پیدا کرده اند. آن‌ها نشان می‌دهند که چگونه دشواری توسعه رویکردهای نظری صحیح که قابل ارزیابی عینی هستند، منجر به پیشنهاد الگوریتم‌های یادگیری بدون نظارت متعدد در نیم قرن گذشته شده است. مخاطبان مورد نظر شامل محققان و متخصصانی هستند که به طور فزاینده ای از الگوریتم های یادگیری بدون نظارت برای تجزیه و تحلیل داده های خود استفاده می کنند. موضوعات مورد علاقه شامل تشخیص ناهنجاری، خوشه بندی، استخراج ویژگی و کاربردهای یادگیری بدون نظارت است. هر فصل توسط یک متخصص برجسته در این زمینه ارائه شده است.

This book summarizes the state-of-the-art in unsupervised learning. The contributors discuss how with the proliferation of massive amounts of unlabeled data, unsupervised learning algorithms, which can automatically discover interesting and useful patterns in such data, have gained popularity among researchers and practitioners. The authors outline how these algorithms have found numerous applications including pattern recognition, market basket analysis, web mining, social network analysis, information retrieval, recommender systems, market research, intrusion detection, and fraud detection. They present how the difficulty of developing theoretically sound approaches that are amenable to objective evaluation have resulted in the proposal of numerous unsupervised learning algorithms over the past half-century. The intended audience includes researchers and practitioners who are increasingly using unsupervised learning algorithms to analyze their data. Topics of interest include anomaly detection, clustering, feature extraction, and applications of unsupervised learning. Each chapter is contributed by a leading expert in the field.