هسته‌های داده‌های ساخت‌یافته ۲۰۰۸
Kernels for Structured Data 2008

این کتاب، رویکردی منحصربه‌فرد به حوزه‌ای مهم در یادگیری ماشین ارائه می‌دهد و به این پرسش پاسخ می‌دهد که چگونه می‌توان از روش‌های کرنل برای داده‌های ساخت‌یافته استفاده کرد. روش‌های کرنل، دسته‌ای از الگوریتم‌های یادگیری پیشرفته هستند که نتایج یادگیری بسیار خوبی را در حوزه‌های کاربردی مختلف نشان می‌دهند. در ابتدا، روش‌های کرنل با در نظر گرفتن داده‌هایی توسعه یافتند که به راحتی می‌توان آن‌ها را در یک فضای برداری اقلیدسی جای داد. بسیاری از داده‌های دنیای واقعی این ویژگی را ندارند، بلکه ذاتاً ساخت‌یافته هستند. یک مثال از این نوع داده‌ها، که اغلب در کتاب مورد بررسی قرار می‌گیرد، ساختار گراف (2D) مولکول‌ها است که از اتم‌ها و پیوندهای آن‌ها تشکیل شده است.

این کتاب، خواننده را از اصول اولیه روش‌های کرنل تا الگوریتم‌های پیشرفته و طراحی کرنل برای داده‌های ساخت‌یافته راهنمایی می‌کند. از این رو، هم برای خوانندگانی که به دنبال نقطه‌ی شروعی برای ورود به این حوزه هستند و هم برای محققان با تجربه مفید است.

This book provides a unique treatment of an important area of machine learning and answers the question of how kernel methods can be applied to structured data. Kernel methods are a class of state-of-the-art learning algorithms that exhibit excellent learning results in several application domains. Originally, kernel methods were developed with data in mind that can easily be embedded in a Euclidean vector space. Much real-world data does not have this property but is inherently structured. An example of such data, often consulted in the book, is the (2D) graph structure of molecules formed by their atoms and bonds. The book guides the reader from the basics of kernel methods to advanced algorithms and kernel design for structured data. It is thus useful for readers who seek an entry point into the field as well as experienced researchers.