دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Lingras. Pawan, Reddy Edla. Damodar, Venkatanareshbabu K et al. (eds.) سری: Advances in Intelligent Systems and Computing 705 ISBN (شابک) : 9789811085697, 9789811085680 ناشر: Springer Singapore سال نشر: 2018 تعداد صفحات: 380 [382] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب Advances in Machine Learning and Data Science: Recent Achievements and Research Directives 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 پیشرفتها در یادگیری ماشین و علم داده: دستاوردهای اخیر و دستورالعملهای تحقیقاتی 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.
جلد «پیشرفتها در یادگیری ماشین و علم داده - دستاوردهای اخیر و
دستورالعملهای تحقیقاتی» مجموعه مقالات اولین کنفرانس بینالمللی
آخرین پیشرفتها در یادگیری ماشین و علم داده (LAMDA 2017) است.
37 مقاله منظم ارائه شده در این جلد با دقت بررسی و از بین 123
مقاله ارسالی انتخاب شدند. این روزها ما بسیاری از برنامه های
کامپیوتری را می یابیم که روش های یادگیری مفید و کاربردهای تجاری
مختلف را نشان می دهند. هدف یادگیری ماشینی توسعه برنامه های
کامپیوتری است که بتوانند از تجربه یاد بگیرند. یادگیری ماشینی
شامل دانش از رشته های مختلف مانند آمار، تئوری اطلاعات، هوش
مصنوعی، پیچیدگی محاسباتی، علوم شناختی و زیست شناسی است. برای
مشکلاتی مانند تشخیص دست خط، الگوریتمهایی که مبتنی بر یادگیری
ماشین هستند، همه روشهای دیگر را انجام میدهند. یادگیری ماشین و
علم داده هر دو به هم مرتبط هستند. علم داده یک اصطلاح کلی است که
برای تکنیک هایی استفاده می شود که داده ها را تمیز می کند و
اطلاعات مفید را از داده ها استخراج می کند. در زمینه علم داده،
الگوریتمهای یادگیری ماشین به طور مکرر برای شناسایی دانش
ارزشمند از پایگاههای داده تجاری حاوی سوابق صنایع مختلف،
تراکنشهای مالی، سوابق پزشکی و غیره استفاده میشوند. هدف اصلی
این کتاب ارائه مروری بر آخرین پیشرفتها در این زمینه است.
یادگیری ماشین و علم داده، با راهحلهایی برای مشکلات در زمینه
تصویر، ویدئو، پردازش دادهها و گراف، تشخیص الگو، ساختار داده،
خوشهبندی داده، الگوکاوی، رویکردهای مبتنی بر قوانین تداعی،
تکنیکهای استخراج ویژگی، شبکههای عصبی، یادگیری الهامگرفته از
زیست و الگوریتم های مختلف یادگیری ماشین. . بیشتر
بخوانید...
چکیده: جلد «پیشرفتها در یادگیری ماشین و علم داده» - دستاوردهای
اخیر و دستورالعمل های تحقیقاتی» مجموعه مقالات اولین کنفرانس بین
المللی آخرین پیشرفت ها در یادگیری ماشین و علم داده (LAMDA 2017)
است. 37 مقاله منظم ارائه شده در این جلد با دقت بررسی و از بین
123 مقاله ارسالی انتخاب شدند. این روزها ما بسیاری از برنامه های
کامپیوتری را می یابیم که روش های یادگیری مفید و کاربردهای تجاری
مختلف را به نمایش می گذارند. هدف یادگیری ماشینی توسعه برنامه
های کامپیوتری است که بتوانند از تجربه یاد بگیرند. یادگیری
ماشینی شامل دانش از رشته های مختلف مانند آمار، تئوری اطلاعات،
هوش مصنوعی، پیچیدگی محاسباتی، علوم شناختی و زیست شناسی است.
برای مشکلاتی مانند تشخیص دست خط، الگوریتمهایی که مبتنی بر
یادگیری ماشین هستند، همه روشهای دیگر را انجام میدهند. یادگیری
ماشین و علم داده هر دو به هم مرتبط هستند. علم داده یک اصطلاح
کلی است که برای تکنیک هایی استفاده می شود که داده ها را تمیز می
کند و اطلاعات مفید را از داده ها استخراج می کند. در زمینه علم
داده، الگوریتمهای یادگیری ماشین به طور مکرر برای شناسایی دانش
ارزشمند از پایگاههای داده تجاری حاوی سوابق صنایع مختلف،
تراکنشهای مالی، سوابق پزشکی و غیره استفاده میشوند. هدف اصلی
این کتاب ارائه مروری بر آخرین پیشرفتها در این زمینه است.
یادگیری ماشین و علم داده، با راهحلهایی برای مشکلات در زمینه
تصویر، ویدئو، پردازش دادهها و گراف، تشخیص الگو، ساختار داده،
خوشهبندی داده، الگوکاوی، رویکردهای مبتنی بر قوانین تداعی،
تکنیکهای استخراج ویژگی، شبکههای عصبی، یادگیری الهامگرفته از
زیست و الگوریتم های مختلف یادگیری ماشین
The Volume of “Advances in Machine Learning and Data Science -
Recent Achievements and Research Directives” constitutes the
proceedings of First International Conference on Latest
Advances in Machine Learning and Data Science (LAMDA 2017). The
37 regular papers presented in this volume were carefully
reviewed and selected from 123 submissions. These days we find
many computer programs that exhibit various useful learning methods and commercial
applications. Goal of machine learning is to develop computer
programs that can learn from experience. Machine learning
involves knowledge from various disciplines like, statistics,
information theory, artificial intelligence, computational
complexity, cognitive science and biology. For problems like
handwriting recognition, algorithms that are based on machine
learning out perform all other approaches. Both machine
learning and data science are interrelated. Data science is an
umbrella term to be used for techniques that clean data and
extract useful information from data. In field of data science,
machine learning algorithms are used frequently to identify
valuable knowledge from commercial databases containing records
of different industries, financial transactions, medical
records, etc. The main objective of this book is to provide an
overview on latest advancements in the field of machine
learning and data science, with solutions to problems in field
of image, video, data and graph processing, pattern
recognition, data structuring, data clustering, pattern mining,
association rule based approaches, feature extraction
techniques, neural networks, bio inspired learning and various
machine learning algorithms. . Read
more...
Abstract: The Volume of “Advances in Machine Learning and Data
Science - Recent Achievements and Research Directives”
constitutes the proceedings of First International Conference
on Latest Advances in Machine Learning and Data Science (LAMDA
2017). The 37 regular papers presented in this volume were
carefully reviewed and selected from 123 submissions. These
days we find many computer programs that exhibit various useful
learning methods and commercial applications. Goal of machine
learning is to develop computer programs that can learn from
experience. Machine learning involves knowledge from various
disciplines like, statistics, information theory, artificial
intelligence, computational complexity, cognitive science and
biology. For problems like handwriting recognition, algorithms
that are based on machine learning out perform all other
approaches. Both machine learning and data science are
interrelated. Data science is an umbrella term to be used for
techniques that clean data and extract useful information from
data. In field of data science, machine learning algorithms are
used frequently to identify valuable knowledge from commercial
databases containing records of different industries, financial
transactions, medical records, etc. The main objective of this
book is to provide an overview on latest advancements in the
field of machine learning and data science, with solutions to
problems in field of image, video, data and graph processing,
pattern recognition, data structuring, data clustering, pattern
mining, association rule based approaches, feature extraction
techniques, neural networks, bio inspired learning and various
machine learning algorithms