دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Advances in Large-Margin Classifiers
دانلود کتاب پیشرفت در طبقه بندی بزرگ حاشیه ای
مشخصات کتاب
Advances in Large-Margin Classifiers
ویرایش: [1st ed.] نویسندگان: Alexander J. Smola, Peter Bartlett, Bernhard Schölkopf, Dale Schuurmans سری: Neural Information Processing ISBN (شابک) : 0262194481, 9780262194488 ناشر: The MIT Press سال نشر: 2000 تعداد صفحات: 403 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 Mb
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب Advances in Large-Margin Classifiers 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 پیشرفت در طبقه بندی بزرگ حاشیه ای 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 پیشرفت در طبقه بندی بزرگ حاشیه ای
مفهوم حاشیه‌های بزرگ یک اصل وحدت‌بخش برای تجزیه و تحلیل بسیاری از رویکردهای مختلف برای طبقه‌بندی داده‌ها از نمونه‌ها، از جمله تقویت، برنامه‌نویسی ریاضی، شبکه‌های عصبی و ماشین‌های بردار پشتیبانی است. این واقعیت که حاشیه یا سطح اطمینان یک طبقه بندی است - یعنی یک پارامتر مقیاس - به جای یک خطای خام آموزشی که اهمیت دارد، به ابزاری کلیدی برای برخورد با طبقه بندی کننده ها تبدیل شده است. این کتاب نشان می‌دهد که چگونه این ایده برای تحلیل نظری و طراحی الگوریتم‌ها اعمال می‌شود. این کتاب مروری بر پیشرفت‌های اخیر در طبقه‌بندی‌کننده‌های حاشیه بزرگ ارائه می‌کند، ارتباطات با روش‌های دیگر (به عنوان مثال، استنتاج بیزی) را بررسی می‌کند و نقاط قوت و ضعف را شناسایی می‌کند. روش و همچنین دستورالعمل هایی برای تحقیقات آتی. از جمله مشارکت کنندگان می توان به مانفرد اوپر، ولادیمیر واپنیک و گریس وهبا اشاره کرد.
توضیحاتی درمورد کتاب به خارجی
The concept of large margins is a unifying principle for the analysis of many different approaches to the classification of data from examples, including boosting, mathematical programming, neural networks, and support vector machines. The fact that it is the margin, or confidence level, of a classification--that is, a scale parameter--rather than a raw training error that matters has become a key tool for dealing with classifiers. This book shows how this idea applies to both the theoretical analysis and the design of algorithms.The book provides an overview of recent developments in large margin classifiers, examines connections with other methods (e.g., Bayesian inference), and identifies strengths and weaknesses of the method, as well as directions for future research. Among the contributors are Manfred Opper, Vladimir Vapnik, and Grace Wahba.
فهرست مطالب
0262194481......Page 1
Preface......Page 10
1 Introduction to Large Margin Classi ers......Page 12
2 Roadmap......Page 42
I Support Vector Machines......Page 48
3 Dynamic Alignment Kernels......Page 50
4 Natural Regularization from Generative Models......Page 62
5 Probabilities for SV Machines......Page 72
6 Maximal Margin Perceptron......Page 86
7 Large Margin Rank Boundaries for Ordinal Regression......Page 126
II Kernel Machines......Page 144
8 Generalized Support Vector Machines......Page 146
9 Linear Discriminant and Support Vector Classifiers......Page 158
10 Regularization Networks and Support Vector Machines......Page 182
III Boosting......Page 216
11 Robust Ensemble Learning......Page 218
12 Functional Gradient Techniques for Combining Hypotheses......Page 232
13 Towards a Strategy for Boosting Regressors......Page 258
IV Leave-One-Out Methods......Page 270
14 Bounds on Error Expectation for SVM......Page 272
15 Adaptive Margin Support Vector Machines......Page 292
16 GACV for Support Vector Machines......Page 308
17 Gaussian Processes and SVM: Mean Field and Leave-One-Out......Page 322
V Beyond the Margin......Page 338
18 Computing the Bayes Kernel Classifier......Page 340
19 Margin Distribution and Soft Margin......Page 360
20 Support Vectors and Statistical Mechanics......Page 370
21 Entropy Numbers for Convex Combinations and MLPs......Page 380
References......Page 400
Index......Page 420
