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: Thomas Eiter (auth.), Ricard Gavaldá, Klaus P. Jantke, Eiji Takimoto (eds.) سری: Lecture Notes in Computer Science 2842 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 3540202919, 9783540202912 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2003 تعداد صفحات: 313 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب نظریه یادگیری الگوریتمی: چهاردهمین کنفرانس بین المللی ، ALT 2003 ، ساپورو ، ژاپن ، 17-19 اکتبر 2003. مجموعه مقالات: 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: 14th International Conference, ALT 2003, Sapporo, Japan, October 17-19, 2003. 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 نظریه یادگیری الگوریتمی: چهاردهمین کنفرانس بین المللی ، ALT 2003 ، ساپورو ، ژاپن ، 17-19 اکتبر 2003. مجموعه مقالات 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 چهاردهمین کنفرانس بین المللی تئوری یادگیری الگوریتمی، ALT 2003، در ساپورو، ژاپن در اکتبر 2003 برگزار شد.
19 مقاله کامل اصلاح شده همراه با 2 مقاله دعوت شده ارائه شده است. چکیده 3 سخنرانی دعوت شده به دقت بررسی و از بین 37 مورد ارسالی انتخاب شد. مقالات در بخشهای موضوعی استنتاج استقرایی، یادگیری و استخراج اطلاعات، یادگیری با پرس و جو، یادگیری با بهینهسازی غیرخطی، یادگیری از مثالهای تصادفی و پیشبینی آنلاین سازماندهی شدهاند.
This book constitutes the refereed proceedings of the 14th International Conference on Algorithmic Learning Theory, ALT 2003, held in Sapporo, Japan in October 2003.
The 19 revised full papers presented together with 2 invited papers and abstracts of 3 invited talks were carefully reviewed and selected from 37 submissions. The papers are organized in topical sections on inductive inference, learning and information extraction, learning with queries, learning with non-linear optimization, learning from random examples, and online prediction.
Front Matter....Pages -
Abduction and the Dualization Problem....Pages 1-2
Signal Extraction and Knowledge Discovery Based on Statistical Modeling....Pages 3-14
Association Computation for Information Access....Pages 15-15
Efficient Data Representations That Preserve Information....Pages 16-16
Can Learning in the Limit Be Done Efficiently?....Pages 17-38
Intrinsic Complexity of Uniform Learning....Pages 39-53
On Ordinal VC-Dimension and Some Notions of Complexity....Pages 54-68
Learning of Erasing Primitive Formal Systems from Positive Examples....Pages 69-83
Changing the Inference Type – Keeping the Hypothesis Space....Pages 84-98
Robust Inference of Relevant Attributes....Pages 99-113
Efficient Learning of Ordered and Unordered Tree Patterns with Contractible Variables....Pages 114-128
On the Learnability of Erasing Pattern Languages in the Query Model....Pages 129-143
Learning of Finite Unions of Tree Patterns with Repeated Internal Structured Variables from Queries....Pages 144-158
Kernel Trick Embedded Gaussian Mixture Model....Pages 159-174
Efficiently Learning the Metric with Side-Information....Pages 175-189
Learning Continuous Latent Variable Models with Bregman Divergences....Pages 190-204
A Stochastic Gradient Descent Algorithm for Structural Risk Minimisation....Pages 205-220
On the Complexity of Training a Single Perceptron with Programmable Synaptic Delays....Pages 221-233
Learning a Subclass of Regular Patterns in Polynomial Time....Pages 234-246
Identification with Probability One of Stochastic Deterministic Linear Languages....Pages 247-258
Criterion of Calibration for Transductive Confidence Machine with Limited Feedback....Pages 259-267
Well-Calibrated Predictions from Online Compression Models....Pages 268-282
Transductive Confidence Machine Is Universal....Pages 283-297
On the Existence and Convergence of Computable Universal Priors....Pages 298-312
Back Matter....Pages -