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
دسته بندی: آموزشی ویرایش: 1 نویسندگان: William W. Cohen (auth.), Hiroki Arimura, Sanjay Jain, Arun Sharma (eds.) سری: Lecture Notes in Computer Science 1968 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 3540412379, 9783540412373 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2000 تعداد صفحات: 350 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب تئوری یادگیری الگوریتمی: 11th International Conference، ALT 2000 Sydney، Australia، 11-13 دسامبر 2000، پرونده: هوش مصنوعی (شامل رباتیک)، محاسبات با دستگاههای انتزاعی، تحلیل الگوریتم و پیچیدگی مسئله، منطق ریاضی و زبانهای رسمی، آمادهسازی اسناد و پردازش متن
در صورت تبدیل فایل کتاب Algorithmic Learning Theory: 11th International Conference, ALT 2000 Sydney, Australia, December 11–13, 2000 Proceedings 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 تئوری یادگیری الگوریتمی: 11th International Conference، ALT 2000 Sydney، Australia، 11-13 دسامبر 2000، پرونده 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 مجموعه مقالات داوری یازدهمین کنفرانس بین المللی نظریه
یادگیری الگوریتمی، ALT 2000، در سیدنی، استرالیا در دسامبر 2000
است.
22 مقاله کامل اصلاح شده ارائه شده به همراه سه مقاله دعوت شده با
دقت بررسی و از بین 39 مقاله ارسالی انتخاب شدند. . مقالات در بخش
های موضوعی در مورد یادگیری آماری، برنامه ریزی منطق استقرایی،
استنتاج استقرایی، پیچیدگی، شبکه های عصبی و سایر پارادایم ها،
ماشین های بردار پشتیبان سازماندهی شده اند.
This book constitutes the refereed proceedings of the 11th
International Conference on Algorithmic Learning Theory, ALT
2000, held in Sydney, Australia in December 2000.
The 22 revised full papers presented together with three
invited papers were carefully reviewed and selected from 39
submissions. The papers are organized in topical sections on
statistical learning, inductive logic programming, inductive
inference, complexity, neural networks and other paradigms,
support vector machines.
Extracting Information from the Web for Concept Learning and Collaborative Filtering....Pages 1-12
The Divide-and-Conquer Manifesto....Pages 13-26
Sequential Sampling Techniques for Algorithmic Learning Theory....Pages 27-40
Average-Case Analysis of Classification Algorithms for Boolean Functions and Decision Trees....Pages 194-208
Self-duality of Bounded Monotone Boolean Functions and Related Problems....Pages 209-223
Sharper Bounds for the Hardness of Prototype and Feature Selection....Pages 224-238
On the Hardness of Learning Acyclic Conjunctive Queries....Pages 238-251
Dynamic Hand Gesture Recognition Based On Randomized Self-Organizing Map Algorithm....Pages 252-263
On Approximate Learning by Multi-layered Feedforward Circuits....Pages 264-278
Towards an Algorithmic Statistics....Pages 41-55
Minimum Message Length Grouping of Ordered Data....Pages 56-70
Learning From Positive and Unlabeled Examples....Pages 71-85
Learning Erasing Pattern Languages with Queries....Pages 86-100
Learning Recursive Concepts with Anomalies....Pages 101-115
Identification of Function Distinguishable Languages....Pages 116-130
A Probabilistic Identification Result....Pages 131-141
A New Framework for Discovering Knowledge from Two-Dimensional Structured Data Using Layout Formal Graph System....Pages 141-155
Hypotheses Finding via Residue Hypotheses with the Resolution Principle....Pages 156-165
Conceptual Classifications Guided by a Concept Hierarchy....Pages 166-178
Learning Taxonomic Relation by Case-based Reasoning....Pages 179-193
The Last-Step Minimax Algorithm....Pages 279-290
Rough Sets and Ordinal Classification....Pages 291-305
A note on the generalization performance of kernel classifiers with margin....Pages 306-315
On the Noise Model of Support Vector Machines Regression....Pages 316-324
Computationally Efficient Transductive Machines....Pages 325-337