دسته‌بندی الگو با استفاده از روش‌های جمعی ۲۰۱۰
Pattern Classification Using Ensemble Methods 2010

۱. مقدمه‌ای بر طبقه‌بندی الگو. ۱.۱. طبقه‌بندی الگو. ۱.۲. الگوریتم‌های استقرا. ۱.۳. استقرای قاعده. ۱.۴. درخت‌های تصمیم. ۱.۵. روش‌های بیزی. ۱.۶. سایر روش‌های استقرا — ۲. مقدمه‌ای بر یادگیری جمعی. ۲.۱. بازگشت به ریشه‌ها. ۲.۲. خرد جمعی. ۲.۳. الگوریتم Bagging. ۲.۴. الگوریتم Boosting. ۲.۵. الگوریتم AdaBoost. ۲.۶. قضیه ناهار مجانی وجود ندارد و یادگیری جمعی. ۲.۷. تجزیه بایاس-واریانس و یادگیری جمعی. ۲.۸. تیغ Occam و یادگیری جمعی. ۲.۹. وابستگی طبقه‌بند. ۲.۱۰. روش‌های جمعی برای وظایف طبقه‌بندی پیشرفته — ۳. طبقه‌بندی جمعی. ۳.۱. روش‌های فیوژن. ۳.۲. انتخاب طبقه‌بندی. ۳.۳. مخلوطی از متخصصان و یادگیری متا — ۴. تنوع جمعی. ۴.۱. بررسی اجمالی. ۴.۲. دستکاری استقراگر. ۴.۳. دستکاری نمونه‌های آموزشی. ۴.۴. دستکاری نمایش ویژگی هدف. ۴.۵. تقسیم فضای جستجو. ۴.۶. چند استقراگر. ۴.۷. اندازه‌گیری تنوع — ۵. انتخاب جمعی. ۵.۱. انتخاب جمعی. ۵.۲. پیش‌انتخاب اندازه جمعی. ۵.۳. انتخاب اندازه جمعی در حین آموزش. ۵.۴. هرس کردن – پس از انتخاب اندازه جمعی — ۶. کدهای خروجی تصحیح‌کننده خطا. ۶.۱. تجزیه ماتریس کد از مسائل چند کلاسه. ۶.۲. نوع I – آموزش یک مجموعه با توجه به یک ماتریس کد. ۶.۳. نوع II – تطبیق ماتریس‌های کد با مسائل چند کلاسه — ۷. ارزیابی مجموعه‌های طبقه‌بند. ۷.۱. خطای تعمیم. ۷.۲. پیچیدگی محاسباتی. ۷.۳. قابلیت تفسیر مجموعه حاصل. ۷.۴. مقیاس‌پذیری به مجموعه داده‌های بزرگ. ۷.۵. استحکام. ۷.۶. پایداری. ۷.۷. انعطاف‌پذیری. ۷.۸. قابلیت استفاده. ۷.۹. دسترسی نرم‌افزار. ۷.۱۰. کدام روش جمعی باید استفاده شود؟

1. Introduction to pattern classification. 1.1. Pattern classification. 1.2. Induction algorithms. 1.3. Rule induction. 1.4. Decision trees. 1.5. Bayesian methods. 1.6. Other induction methods — 2. Introduction to ensemble learning. 2.1. Back to the roots. 2.2. The wisdom of crowds. 2.3. The bagging algorithm. 2.4. The boosting algorithm. 2.5. The AdaBoost algorithm. 2.6. No free lunch theorem and ensemble learning. 2.7. Bias-variance decomposition and ensemble learning. 2.8. Occam’s razor and ensemble learning. 2.9. Classifier dependency. 2.10. Ensemble methods for advanced classification tasks — 3. Ensemble classification. 3.1. Fusions methods. 3.2. Selecting classification. 3.3. Mixture of experts and meta learning — 4. Ensemble diversity. 4.1. Overview. 4.2. Manipulating the inducer. 4.3. Manipulating the training samples. 4.4. Manipulating the target attribute representation. 4.5. Partitioning the search space. 4.6. Multi-inducers. 4.7. Measuring the diversity — 5. Ensemble selection. 5.1. Ensemble selection. 5.2. Pre selection of the ensemble size. 5.3. Selection of the ensemble size while training. 5.4. Pruning – post selection of the ensemble size — 6. Error correcting output codes. 6.1. Code-matrix decomposition of multiclass problems. 6.2. Type I – training an ensemble given a code-matrix. 6.3. Type II – adapting code-matrices to the multiclass problems — 7. Evaluating ensembles of classifiers. 7.1. Generalization error. 7.2. Computational complexity. 7.3. Interpretability of the resulting ensemble. 7.4. Scalability to large datasets. 7.5. Robustness. 7.6. Stability. 7.7. Flexibility. 7.8. Usability. 7.9. Software availability. 7.10. Which ensemble method should be used?