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: 1 نویسندگان: Thomas Villmann, Frank-Michael Schleif, Marika Kaden, Mandy Lange (eds.) سری: Advances in Intelligent Systems and Computing 295 ISBN (شابک) : 9783319076942, 9783319076959 ناشر: Springer International Publishing سال نشر: 2014 تعداد صفحات: 312 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 19 مگابایت
کلمات کلیدی مربوط به کتاب پیشرفت در نقشه های خود سازمان دهی و تعیین میزان وکتور یادگیری: مجموعه مقالات دهمین کارگاه بین المللی ، WSOM 2014 ، میتتوییدا ، آلمان ، 2-4 ژوئیه 2014: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Advances in Self-Organizing Maps and Learning Vector Quantization: Proceedings of the 10th International Workshop, WSOM 2014, Mittweida, Germany, July, 2-4, 2014 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 نقشه های خود سازمان دهی و تعیین میزان وکتور یادگیری: مجموعه مقالات دهمین کارگاه بین المللی ، WSOM 2014 ، میتتوییدا ، آلمان ، 2-4 ژوئیه 2014 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.
این کتاب مشارکتهای علمی ارائه شده در دهمین کارگاه آموزشی نقشههای خودسازماندهی (WSOM 2014) را که در دانشگاه علوم کاربردی میتویدا، میتوایدا (آلمان، زاکسن)، در تاریخ 2 تا 4 ژوئیه 2014 برگزار شد، جمعآوری میکند. با شروع اولین کارگاه WSOM در سال 1997 در هلسینکی، این کارگاه بر جدیدترین نتایج در زمینه کمی سازی برداری نظارت شده و بدون نظارت مانند نقشه های خودسازماندهی برای داده کاوی و طبقه بندی داده تمرکز دارد.
این WSOM دهم موارد بیشتری را گرد هم آورد. بیش از 50 محقق، متخصص و پزشک در شهر کوچک زیبای Mittweida در ساکسونی (آلمان) در نزدیکی کوههای Erzgebirge برای بحث در مورد پیشرفتهای جدید در زمینه سیستمهای کوانتیزهسازی برداری خودسازماندهنده بدون نظارت و یادگیری رویکردهای کوانتیزهسازی برداری برای طبقه بندی. این کتاب حاوی مقالات پذیرفته شده کارگاه پس از بررسی دقیق و همچنین خلاصه ای از سخنرانی های دعوت شده است. در میان این فصلهای کتاب، نمونههای بسیار خوبی از استفاده از نقشههای خودسازمانده در کشاورزی، علوم کامپیوتر، تجسم دادهها، سیستمهای سلامت، اقتصاد، مهندسی، علوم اجتماعی، تحلیل متن و تصویر و تحلیل سریهای زمانی وجود دارد. فصول دیگر آخرین کار نظری در مورد نقشههای خودسازماندهی و همچنین روشهای کوانتیزهسازی برداری را آموزش میدهند، مانند ارتباط آن روشها با روشهای تصمیمگیری آماری کلاسیک.
همه مشارکت نشان میدهد که روشهای کوانتیزهسازی برداری طیف وسیعی را پوشش میدهند. حوزههای کاربردی شامل تجسم دادههای دادههای پیچیده با ابعاد بالا، تصمیمگیری پیشرفته و طبقهبندی یا خوشهبندی دادهها و فشردهسازی دادهها.
The book collects the scientific contributions presented at the 10th Workshop on Self-Organizing Maps (WSOM 2014) held at the University of Applied Sciences Mittweida, Mittweida (Germany, Saxony), on July 2–4, 2014. Starting with the first WSOM-workshop 1997 in Helsinki this workshop focuses on newest results in the field of supervised and unsupervised vector quantization like self-organizing maps for data mining and data classification.
This 10th WSOM brought together more than 50 researchers, experts and practitioners in the beautiful small town Mittweida in Saxony (Germany) nearby the mountains Erzgebirge to discuss new developments in the field of unsupervised self-organizing vector quantization systems and learning vector quantization approaches for classification. The book contains the accepted papers of the workshop after a careful review process as well as summaries of the invited talks. Among these book chapters there are excellent examples of the use of self-organizing maps in agriculture, computer science, data visualization, health systems, economics, engineering, social sciences, text and image analysis and time series analysis. Other chapters present the latest theoretical work on self-organizing maps as well as learning vector quantization methods, such as relating those methods to classical statistical decision methods.
All the contribution demonstrate that vector quantization methods cover a large range of application areas including data visualization of high-dimensional complex data, advanced decision making and classification or data clustering and data compression.
Front Matter....Pages 1-11
Front Matter....Pages 1-1
How Many Dissimilarity/Kernel Self Organizing Map Variants Do We Need?....Pages 3-23
Dynamic Formation of Self-Organizing Maps....Pages 25-34
MS-SOM: Magnitude Sensitive Self-Organizing Maps....Pages 35-44
Bagged Kernel SOM....Pages 45-54
Probability Ridges and Distortion Flows: Visualizing Multivariate Time Series Using a Variational Bayesian Manifold Learning Method....Pages 55-64
Short Review of Dimensionality Reduction Methods Based on Stochastic Neighbour Embedding....Pages 65-74
Front Matter....Pages 75-75
Attention Based Classification Learning in GLVQ and Asymmetric Misclassification Assessment....Pages 77-87
Visualization and Classification of DNA Sequences Using Pareto Learning Self Organizing Maps Based on Frequency and Correlation Coefficient....Pages 89-98
Probabilistic Prototype Classification Using t-norms....Pages 99-108
Rejection Strategies for Learning Vector Quantization – A Comparison of Probabilistic and Deterministic Approaches....Pages 109-118
Front Matter....Pages 119-119
Prototype-Based Classifiers and Their Application in the Life Sciences....Pages 121-121
Generative versus Discriminative Prototype Based Classification....Pages 123-132
Some Room for GLVQ: Semantic Labeling of Occupancy Grid Maps....Pages 133-143
Anomaly Detection Based on Confidence Intervals Using SOM with an Application to Health Monitoring....Pages 145-155
RFSOM – Extending Self-Organizing Feature Maps with Adaptive Metrics to Combine Spatial and Textural Features for Body Pose Estimation....Pages 157-166
Beyond Standard Metrics – On the Selection and Combination of Distance Metrics for an Improved Classification of Hyperspectral Data....Pages 167-177
Front Matter....Pages 179-179
The Sky Is Not the Limit....Pages 181-186
Development of Target Reaching Gesture Map in the Cortex and Its Relation to the Motor Map: A Simulation Study....Pages 187-197
A Concurrent SOM-Based Chan-Vese Model for Image Segmentation....Pages 199-208
Five-Dimensional Sentiment Analysis of Corpora, Documents and Words....Pages 209-218
Front Matter....Pages 179-179
SOMbrero : An R Package for Numeric and Non-numeric Self-Organizing Maps....Pages 219-228
K-Nearest Neighbor Nonnegative Matrix Factorization for Learning a Mixture of Local SOM Models....Pages 229-238
Comparison of Spectrum Cluster Analysis with PCA and Spherical SOM and Related Issues Not Amenable to PCA....Pages 239-248
Exploiting the Structures of the U-Matrix....Pages 249-257
Partial Mutual Information for Classification of Gene Expression Data by Learning Vector Quantization....Pages 259-269
Composition of Learning Patterns Using Spherical Self-Organizing Maps in Image Analysis with Subspace Classifier....Pages 271-280
Self-Organizing Map for the Prize-Collecting Traveling Salesman Problem....Pages 281-291
A Survey of SOM -Based Active Contour Models for Image Segmentation....Pages 293-302
A Biologically Plausible SOM Representation of the Orthographic Form of 50,000 French Words....Pages 303-312
Back Matter....Pages 313-314