今天每天各种信息系统产生的数据量在“zetabytes可以测量。”的问题如何解决大而复杂的机器学习和组合优化问题是目前众多研究小组的重点。进步在处理大数据的问题,尽管在很多情况下,壮观,远非令人满意的实际的应用程序。尤为如此在众多领域机器学习任务是至关重要的获得知识在不同的过程和特性在生物信息学等领域,文本挖掘,或安全。不幸的是,大多数现有的机器学习算法成为无效时,问题就变得非常大,因为潜在的组合优化问题,作为一个规则,计算困难。存在多种方法和工具,善于解决中小型机器学习任务而成不满意当处理大的。

这个特殊问题的目的是发布高质量的研究论文和评论文章解决机器学习技术的最新进展及其应用在处理大而复杂的问题。

当前热门话题寻求提高效率的机器学习技术包括搜索一个紧凑的知识表示方法和知识发现和集成的更好的工具。机器学习也可能获利整合集体智慧技术,应用进化和bioinspired技术,探索进一步深度和极端的学习技术。

这个特殊问题处理解决大而复杂的问题的重要性,在机器学习领域和其他相关领域。论文的真实应用机器学习技术尤其受到欢迎。

主题提交的论文应注重方法和应用程序,用于提高专门的工具和技术,支持,或取代传统的机器学习和数据挖掘方法。

潜在的主题包括但不限于以下:

• 工具和技术来解决复杂的机器学习问题
• 计算智能应用机器学习
• 进化为机器学习和共同进化算法及其应用
• 数据分析方法基于粗糙集、模糊集,贝叶斯网络,人工神经网络
• 自适应和发展的学习方法进行大数据分析
• 数据流挖掘
• 优化和机器学习的策略
• 机器学习的集体决策
• 可替换主体为机器学习系统和基于主体建模
• 实际的应用程序的机器学习技术
• 其他相关主题