| Título : |
Learning from Imbalanced Data Sets |
| Tipo de documento: |
documento electrónico |
| Autores: |
Fernández, Alberto, Autor ; García, Salvador., Autor ; Galar, Mikel, Autor ; Prati, Ronaldo C., Autor ; Krawczyk, Bartosz, Autor ; Herrera, Francisco, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2018 |
| Número de páginas: |
XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-319-98074-4 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Inteligencia artificial Red de computadoras Redes de comunicación informática |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . |
| Nota de contenido: |
1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Learning from Imbalanced Data Sets [documento electrónico] / Fernández, Alberto, Autor ; García, Salvador., Autor ; Galar, Mikel, Autor ; Prati, Ronaldo C., Autor ; Krawczyk, Bartosz, Autor ; Herrera, Francisco, Autor . - 1 ed. . - [s.l.] : Springer, 2018 . - XVIII, 377 p. 71 ilustraciones, 50 ilustraciones en color. ISBN : 978-3-319-98074-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Inteligencia artificial Red de computadoras Redes de comunicación informática |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro proporciona una visión general y comprensible del aprendizaje desequilibrado. Contiene una descripción formal de un problema y se centra en sus características principales y las soluciones propuestas más relevantes. Además, considera los diferentes escenarios en Ciencia de Datos para los cuales la clasificación desequilibrada puede crear un verdadero desafío. Este libro enfatiza la brecha con las tareas de clasificación estándar al revisar los estudios de caso y las métricas de desempeño ad hoc que se aplican en esta área. También cubre los diferentes enfoques que se han aplicado tradicionalmente para abordar la distribución binaria de clases sesgada. Específicamente, revisa el aprendizaje sensible a los costos, los métodos de preprocesamiento a nivel de datos y las soluciones a nivel de algoritmos, teniendo también en cuenta aquellas soluciones de aprendizaje conjunto que incorporan cualquiera de las primeras alternativas. Además, se centra en la extensión del problema a problemas multiclase, en los que los métodos clásicos anteriores ya no se pueden aplicar de forma sencilla. Este libro también se centra en las características intrínsecas de los datos que son las principales causas que, sumadas a la distribución desigual de clases, realmente dificultan el desempeño de los algoritmos de clasificación en este escenario. Luego, se brindan algunas notas sobre la reducción de datos para comprender las ventajas relacionadas con el uso de este tipo de enfoques. Finalmente, este libro presenta algunas áreas de estudio novedosas que están atrayendo una atención más profunda sobre el problema de los datos desequilibrados. Específicamente, considera la clasificación de flujos de datos, problemas de clasificación no clásicos y la escalabilidad relacionada con Big Data. Se proporcionan ejemplos de bibliotecas de software y módulos para abordar la clasificación desequilibrada. Este libro es muy adecuado para profesionales técnicos, estudiantes universitarios y de posgrado en las áreas de ciencia de datos, informática e ingeniería. También será útil para los científicos e investigadores conocer los avances actuales en esta área de estudio, así como las futuras direcciones de investigación. . |
| Nota de contenido: |
1 Introduction to KDD and Data Science -- 2 Foundations on Imbalanced Classification -- 3 Performance measures -- 4 Cost-sensitive Learning -- 5 Data Level Preprocessing Methods -- 6 Algorithm-level Approaches -- 7 Ensemble Learning -- 8 Imbalanced Classification with Multiple Classes -- 9 Dimensionality Reduction for Imbalanced Learning -- 10 Data Intrinsic Characteristics -- 11 Learning from Imbalanced Data Streams -- 12 Non-Classical Imbalanced Classification Problems -- 13 Imbalanced Classification for Big Data -- 14 Software and Libraries for Imbalanced Classification. . |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
