Advanced Machine Intelligence and Signal Processing (Lecture Notes in Electrical Engineering, 858)

این کتاب آخرین پیشرفت‌ها را در زمینه‌های یادگیری ماشین، بینایی رایانه، تشخیص الگو، نظریه یادگیری محاسباتی، تجزیه و تحلیل داده‌های بزرگ، هوش شبکه، پردازش سیگنال، و کاربردهای آنها در دنیای واقعی پوشش می‌دهد. موضوعات تحت پوشش در یادگیری ماشینی شامل استخراج ویژگی، انواع ماشین بردار پشتیبانی (SVM)، ماشین یادگیری شدید (ELM)، شبکه عصبی مصنوعی (ANN) و سایر حوزه‌ها در یادگیری ماشین است. تجزیه و تحلیل ریاضی بینایی کامپیوتری و تشخیص الگو شامل استفاده از تکنیک‌های هندسی، درک صحنه و مدل‌سازی از ویدئو، تشخیص اشیاء سه بعدی، محلی‌سازی و ردیابی، تجزیه و تحلیل تصویر پزشکی و غیره است. تئوری یادگیری محاسباتی شامل انواع مختلفی از یادگیری مانند افزایشی، آنلاین، تقویتی، چندوظیفه ای، نیمه نظارتی و غیره است. علاوه بر این، چالش های بلادرنگ مربوط به پردازش تجزیه و تحلیل داده های بزرگ و پردازش جریانی را با ادغام محاسبات داده های هوشمند پوشش می دهد. خدمات و اتصالات علاوه بر این، پیشرفت‌های اخیر در هوش شبکه برای تجزیه و تحلیل اطلاعات شبکه و در نتیجه تطبیق الگوریتم‌ها به صورت پویا برای بهبود کارایی را پوشش می‌دهد. در آخر، شامل پیشرفت در پردازش سیگنال برای پردازش دسته‌های عادی و غیرعادی سیگنال‌های دنیای واقعی، به عنوان مثال سیگنال‌های تولید شده از دستگاه‌های IoT، سیستم‌های هوشمند، گفتار، ویدیوها و غیره است، و شامل پردازش سیگنال‌های زیست‌پزشکی می‌شود: الکتروکاردیوگرام ( ECG)، الکتروانسفالوگرام (EEG)، مگنتوآنسفالوگرافی (MEG) و الکترومیوگرام (EMG).

This book covers the latest advancements in the areas of machine learning, computer vision, pattern recognition, computational learning theory, big data analytics, network intelligence, signal processing, and their applications in real world. The topics covered in machine learning involve feature extraction, variants of support vector machine (SVM), extreme learning machine (ELM), artificial neural network (ANN), and other areas in machine learning. The mathematical analysis of computer vision and pattern recognition involves the use of geometric techniques, scene understanding and modeling from video, 3D object recognition, localization and tracking, medical image analysis, and so on. Computational learning theory involves different kinds of learning like incremental, online, reinforcement, manifold, multitask, semi-supervised, etc. Further, it covers the real-time challenges involved while processing big data analytics and stream processing with the integration of smart data computing services and interconnectivity. Additionally, it covers the recent developments to network intelligence for analyzing the network information and thereby adapting the algorithms dynamically to improve the efficiency. In the last, it includes the progress in signal processing to process the normal and abnormal categories of real-world signals, for instance signals generated from IoT devices, smart systems, speech, videos, etc., and involves biomedical signal processing: electrocardiogram (ECG), electroencephalogram (EEG), magnetoencephalography (MEG), and electromyogram (EMG).