Supervised and Unsupervised Learning for Data Science

Ce livre couvre l'état de l'art des algorithmes d'apprentissage avec l'inclusion de méthodes semi-supervisées pour fournir un large éventail de solutions de clustering et de classification pour les grandes applications de données. Des études de cas et des pratiques exemplaires sont incluses ainsi que des modèles théoriques d'apprentissage pour une référence complète au domaine. Le livre est organisé en huit chapitres qui couvrent les sujets suivants : discrétisation, extraction et sélection de caractéristiques, classification, regroupement, modélisation de sujets, analyse graphique et applications. Les praticiens et les étudiants des cycles supérieurs peuvent s'en servir comme référence importante pour leurs recherches actuelles et futures, et le corps professoral pourra s'en servir pour présenter les approches actuelles de l'apprentissage non supervisé et semi-supervisé dans le cadre de séminaires de niveau supérieur. Le livre est basé sur une sélection d'articles de la Quatrième conférence internationale sur l'informatique douce en science des données (2018).

Comprend les nouvelles avancées en matière de regroupement et de classification grâce à l'apprentissage semi-supervisé et non supervisé ;Relever les nouveaux défis que posent l'extraction et la sélection d'éléments à l'aide d'un apprentissage semi-supervisé et non supervisé ;Comprend des applications dans les domaines des soins de santé, de l'ingénierie et de l'exploration de textes et de médias sociaux qui exploitent des techniques d'apprentissage semi-supervisé et non supervisé.