دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Algorithmic advances in Riemannian geometry and applications : for machine learning, computer vision, statistics, and optimization
دانلود کتاب پیشرفت های الگوریتمی در هندسه و کاربردهای ریمانی: برای یادگیری ماشین، بینایی کامپیوتر، آمار و بهینه سازی
مشخصات کتاب
Algorithmic advances in Riemannian geometry and applications : for machine learning, computer vision, statistics, and optimization
ویرایش: نویسندگان: Minh. Ha Quang, Murino. Vittorio سری: Advances in computer vision and pattern recognition ISBN (شابک) : 9783319450261, 9783319450254 ناشر: Springer سال نشر: 2016 تعداد صفحات: 216 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
قیمت کتاب (تومان) : 28,000
در صورت تبدیل فایل کتاب Algorithmic advances in Riemannian geometry and applications : for machine learning, computer vision, statistics, and optimization 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 های الگوریتمی در هندسه و کاربردهای ریمانی: برای یادگیری ماشین، بینایی کامپیوتر، آمار و بهینه سازی 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 های الگوریتمی در هندسه و کاربردهای ریمانی: برای یادگیری ماشین، بینایی کامپیوتر، آمار و بهینه سازی
این کتاب مجموعه‌ای از جدیدترین پیشرفت‌های الگوریتمی در هندسه
ریمانی را در زمینه یادگیری ماشین، آمار، بهینه‌سازی، بینایی
کامپیوتر و زمینه‌های مرتبط ارائه می‌دهد. موضوع وحدت بخش فصل های
مختلف کتاب، بهره برداری از هندسه داده ها با استفاده از ماشین
های ریاضی هندسه ریمانی است. همانطور که در تمام فصول کتاب نشان
داده شده است، وقتی داده‌ها ذاتاً غیر اقلیدسی هستند،
استفاده از این اطلاعات هندسی می‌تواند منجر به الگوریتم‌های
بهتری شود که می‌توانند اطلاعات بیشتری را ثبت کنند. ساختارهای
ذاتی داده‌ها را با دقت انجام می‌دهد، که در نهایت منجر به عملکرد
تجربی بهتر می‌شود. این کتاب قرار نیست مجموعه‌ای دایره‌المعارفی
از کاربردهای هندسه ریمانی باشد. در عوض، بر چندین جهت مهم
تحقیقاتی تمرکز دارد که در حال حاضر به طور فعال توسط محققان در
این زمینه دنبال می شود. اینها شامل مدلسازی و تجزیه و تحلیل
آماری بر روی منیفولدها، بهینه سازی روی منیفولدها، روشهای
منیفولدهای ریمانی و هسته، و یادگیری فرهنگ لغت و کدگذاری پراکنده
روی منیفولدها است. نمونه‌هایی از برنامه‌ها عبارتند از
الگوریتم‌های جدید برای نمونه‌برداری مونت کارلو و برازش مدل
مخلوط گاوسی، تجزیه و تحلیل تصویر سه بعدی مغز، طبقه‌بندی تصویر،
تشخیص کنش، و ردیابی حرکت. �بیشتر
بخوانید. ...
چکیده:
چکیده:
این کتاب مجموعه ای از جدیدترین پیشرفت های الگوریتمی هندسه
ریمانی را در زمینه یادگیری ماشین ارائه می دهد. ، آمار، بهینه
سازی، بینایی کامپیوتر، و زمینه های مرتبط. �بیشتر بخوانید...
توضیحاتی درمورد کتاب به خارجی
This book presents a selection of the most recent algorithmic
advances in Riemannian geometry in the context of machine
learning, statistics, optimization, computer vision, and
related fields. The unifying theme of the different chapters in
the book is the exploitation of the geometry of data using the
mathematical machinery of Riemannian geometry. As demonstrated
by all the chapters in the book, when the data is intrinsically non-Euclidean,
the utilization of this geometrical information can lead to
better algorithms that can capture more accurately the
structures inherent in the data, leading ultimately to better
empirical performance. This book is not intended to be an
encyclopedic compilation of the applications of Riemannian
geometry. Instead, it focuses on several important research
directions that are currently actively pursued by researchers
in the field. These include statistical modeling and analysis
on manifolds, optimization on manifolds, Riemannian manifolds
and kernel methods, and dictionary learning and sparse coding
on manifolds. Examples of applications include novel algorithms
for Monte Carlo sampling and Gaussian Mixture Model fitting, 3D
brain image analysis, image classification, action recognition,
and motion tracking. �Read
more...
Abstract:
Abstract:
This book presents a selection of the most recent algorithmic
advances in Riemannian geometry in the context of machine
learning, statistics, optimization, computer vision, and
related fields. �Read
more...
فهرست مطالب
Front Matter ....Pages i-xiv
Bayesian Statistical Shape Analysis on the Manifold of Diffeomorphisms (Miaomiao Zhang, P. Thomas Fletcher)....Pages 1-23
Sampling Constrained Probability Distributions Using Spherical Augmentation (Shiwei Lan, Babak Shahbaba)....Pages 25-71
Geometric Optimization in Machine Learning (Suvrit Sra, Reshad Hosseini)....Pages 73-91
Positive Definite Matrices: DataRepresentation and Applications to Computer Vision (Anoop Cherian, Suvrit Sra)....Pages 93-114
From Covariance Matrices to Covariance Operators: Data Representation from Finite to Infinite-Dimensional Settings (Hà Quang Minh, Vittorio Murino)....Pages 115-143
Dictionary Learning on Grassmann Manifolds (Mehrtash Harandi, Richard Hartley, Mathieu Salzmann, Jochen Trumpf)....Pages 145-172
Regression on Lie Groups and Its Application to Affine Motion Tracking (Fatih Porikli)....Pages 173-185
An Elastic Riemannian Framework for Shape Analysis of Curves and Tree-Like Structures (Adam Duncan, Zhengwu Zhang, Anuj Srivastava)....Pages 187-205
Back Matter ....Pages 207-208
