دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Active learning
دانلود کتاب یادگیری فعال
مشخصات کتاب
Active learning
ویرایش:
نویسندگان: Burr Settles
سری: Synthesis lectures on artificial intelligence and machine learning,
ISBN (شابک) : 9781608457267, 1608457265
ناشر: Morgan & Claypool
سال نشر: 2012
تعداد صفحات: [116]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
قیمت کتاب (تومان) : 67,000
در صورت تبدیل فایل کتاب Active learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری فعال نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری فعال
ایده کلیدی پشت یادگیری فعال این است که الگوریتم یادگیری ماشینی می تواند با آموزش کمتر عملکرد بهتری داشته باشد اگر به او اجازه داده شود داده هایی را که از آنها می آموزد انتخاب کند. یک یادگیرنده فعال ممکن است "پرس و جوهایی" را مطرح کند، که معمولاً به صورت نمونه های داده بدون برچسب برای برچسب گذاری توسط "اوراکل" (به عنوان مثال، یک حاشیه نویس انسانی) که قبلاً ماهیت مسئله را درک کرده است، برچسب گذاری شود. این نوع رویکرد در بسیاری از برنامههای یادگیری ماشین و دادهکاوی مدرن به خوبی ایجاد میشود، جایی که دادههای بدون برچسب ممکن است فراوان یا به آسانی به دست بیایند، اما برچسبهای آموزشی دشوار، زمانبر یا پرهزینه هستند. این کتاب یک مقدمه کلی برای یادگیری فعال است. چندین سناریو را که در آن پرس و جوها ممکن است فرموله شوند را تشریح می کند و بسیاری از الگوریتم های انتخاب پرس و جو را که در چهار دسته کلی یا "چارچوب های انتخاب پرس و جو" سازماندهی شده اند، شرح می دهد. ما همچنین برخی از مبانی نظری یادگیری فعال را لمس میکنیم و با مروری بر نقاط قوت و ضعف این رویکردها در عمل، از جمله خلاصهای از کار در حال انجام برای رسیدگی به این چالشها و فرصتهای باز، به پایان میرسیم. فهرست مطالب: پرس و جو خودکار / نمونه گیری عدم قطعیت / جستجو در فضای فرضیه / به حداقل رساندن خطا و واریانس مورد انتظار / بهره برداری از ساختار در داده ها / نظریه / ملاحظات عملی
توضیحاتی درمورد کتاب به خارجی
The key idea behind active learning is that a machine learning algorithm can perform better with less training if it is allowed to choose the data from which it learns. An active learner may pose "queries," usually in the form of unlabeled data instances to be labeled by an "oracle" (e.g., a human annotator) that already understands the nature of the problem. This sort of approach is well-motivated in many modern machine learning and data mining applications, where unlabeled data may be abundant or easy to come by, but training labels are difficult, time-consuming, or expensive to obtain. This book is a general introduction to active learning. It outlines several scenarios in which queries might be formulated, and details many query selection algorithms which have been organized into four broad categories, or "query selection frameworks." We also touch on some of the theoretical foundations of active learning, and conclude with an overview of the strengths and weaknesses of these approaches in practice, including a summary of ongoing work to address these open challenges and opportunities. Table of Contents: Automating Inquiry / Uncertainty Sampling / Searching Through the Hypothesis Space / Minimizing Expected Error and Variance / Exploiting Structure in Data / Theory / Practical Considerations
فهرست مطالب
Preface Acknowledgments Automating Inquiry A Thought Experiment Active Learning Scenarios for Active Learning Uncertainty Sampling Pushing the Boundaries An Example Measures of Uncertainty Beyond Classification Discussion Searching Through the Hypothesis Space The Version Space Uncertainty Sampling as Version Space Search Query by Disagreement Query by Committee Discussion Minimizing Expected Error and Variance Expected Error Reduction Variance Reduction Batch Queries and Submodularity Discussion Exploiting Structure in Data Density-Weighted Methods Cluster-Based Active Learning Active + Semi-Supervised Learning Discussion Theory A Unified View A PAC Bound for Active Learning Discussion Practical Considerations Which Algorithm is Best? Real Labeling Costs Alternative Query Types Skewed Label Distributions Unreliable Oracles Multi-Task Active Learning Data Reuse and the Unknown Model Class Stopping Criteria Nomenclature Reference Bibliography Author's Biography Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Stability of Elastic Structures
دانلود کتاب Foundations of Intelligent Systems: 21st International Symposium, ISMIS 2014, Roskilde, Denmark, June 25-27, 2014. Proceedings
دانلود کتاب Beat Sugar Addiction Now!: The Cutting-Edge Program That Cures Your Type of Sugar Addiction and Puts You on the Road to Feeling Great - and Losing Weight!
دانلود کتاب Reframing Global Social Policy: Social Investment for Sustainable and Inclusive Growth
