ترکیب دسته‌بندی‌کننده‌های الگو: روش‌ها و الگوریتم‌ها ۲۰۱۴
Combining Pattern Classifiers: Methods and Algorithms 2014

**راهکارهای یکپارچه و منسجم برای روش‌های ترکیب دسته‌بندی‌کننده‌ها، از مبانی تشخیص الگو تا انتخاب ویژگی دسته‌جمعی، اکنون در ویرایش دوم**

هنر و دانش ترکیب دسته‌بندی‌کننده‌های الگو از زمان انتشار ویرایش اول کتاب *ترکیب دسته‌بندی‌کننده‌های الگو* در سال 2004، به یک حوزه پرکار تبدیل شده است. دکتر کونچوا از میان گستره وسیع ادبیات اخیر در مورد ترکیب دسته‌بندی‌کننده‌ها، موضوعات، روش‌ها و الگوریتم‌هایی را برگزیده است که خواننده را به سوی درک عمیق‌تر مبانی، طراحی و کاربردهای روش‌های ترکیب دسته‌بندی‌کننده‌ها هدایت می‌کند.

کتاب *ترکیب دسته‌بندی‌کننده‌ها* که به‌طور کامل به‌روز شده و در سراسر آن از کد MATLAB® و مجموعه‌های داده تمرینی استفاده شده است، شامل موارد زیر است:

* پوشش نظریه تصمیم‌گیری بیز و مقایسه تجربی دسته‌بندی‌کننده‌ها
* روش‌های ضروری ترکیب، مانند Bagging، Random forest، AdaBoost، Random subspace، Rotation forest، Random oracle و Error Correcting Output Code، و غیره
* فصل‌هایی در مورد انتخاب دسته‌بندی‌کننده، تنوع و انتخاب ویژگی دسته‌جمعی

ویرایش دوم کتاب *ترکیب دسته‌بندی‌کننده‌ها* با تکیه بر مبانی تشخیص الگو و با بیش از 140 تصویر، مرجعی ارزشمند برای دانشجویان تحصیلات تکمیلی، محققان و متخصصان در حوزه‌های محاسبات و مهندسی است.

A unified, coherent treatment of current classifier ensemble methods, from fundamentals of pattern recognition to ensemble feature selection, now in its second edition

The art and science of combining pattern classifiers has flourished into a prolific discipline since the first edition of Combining Pattern Classifiers was published in 2004. Dr. Kuncheva has plucked from the rich landscape of recent classifier ensemble literature the topics, methods, and algorithms that will guide the reader toward a deeper understanding of the fundamentals, design, and applications of classifier ensemble methods.

Thoroughly updated, with MATLAB® code and practice data sets throughout, Combining Pattern Classifiers includes:

• Coverage of Bayes decision theory and experimental comparison of classifiers
• Essential ensemble methods such as Bagging, Random forest, AdaBoost, Random subspace, Rotation forest, Random oracle, and Error Correcting Output Code, among others
• Chapters on classifier selection, diversity, and ensemble feature selection

With firm grounding in the fundamentals of pattern recognition, and featuring more than 140 illustrations, Combining Pattern Classifiers, Second Edition is a valuable reference for postgraduate students, researchers, and practitioners in computing and engineering.