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: Marcus Hutter, Frank Stephan, Vladimir Vovk, Thomas Zeugmann (auth.), Marcus Hutter, Frank Stephan, Vladimir Vovk, Thomas Zeugmann (eds.) سری: Lecture Notes in Computer Science 6331 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 9783642161087, 3642161081 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2010 تعداد صفحات: 432 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب تئوری یادگیری الگوریتمی: 21st International Conference، ALT 2010، کانبرا، استرالیا، 6-8 اکتبر 2010. مقالات: هوش مصنوعی (شامل رباتیک)، منطق ریاضی و زبانهای رسمی، تحلیل الگوریتم و پیچیدگی مسائل، محاسبات با دستگاههای انتزاعی، منطق و معانی برنامهها، کامپیوتر و آموزش
در صورت تبدیل فایل کتاب Algorithmic Learning Theory: 21st International Conference, ALT 2010, Canberra, Australia, October 6-8, 2010. 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: 21st International Conference، ALT 2010، کانبرا، استرالیا، 6-8 اکتبر 2010. 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 جلد شامل مقالات ارائه شده در بیست و یکمین کنفرانس بین المللی نظریه یادگیری الگوریتمی (ALT 2010) است که در کانبرا، استرالیا، 6 تا 8 اکتبر 2010 برگزار شد. کنفرانس با سیزدهم - کنفرانس بین المللی علوم اکتشاف (DS 2010) و با مدرسه تابستانی یادگیری ماشین، که درست قبل از ALT 2010 برگزار شد. برنامه فنی ALT 2010، شامل 26 مقاله انتخاب شده از 44 ارسال شده و سخنرانی های دعوت شده بود. مذاکرات دعوت شده در جلسات مشترک هر دو کنفرانس ارائه شد. ALT 2010 به مبانی نظری یادگیری ماشین اختصاص داشت و در محوطه دانشگاه ملی استرالیا، کانبرا، استرالیا برگزار شد. ALT یک انجمن برای گفتگوهای با کیفیت بالا با پیشینه نظری قوی و تبادل علمی در زمینه هایی مانند استنتاج استقرایی، پیش بینی جهانی، مدل های تدریس، استنتاج دستوری، زبان های رسمی، برنامه نویسی منطق استقرایی، یادگیری پرس و جو، پیچیدگی یادگیری فراهم می کند. یادگیری آنلاین و مرزهای ضرر نسبی، یادگیری نیمه نظارت و بدون نظارت، خوشهبندی، یادگیری فعال، یادگیری آماری، ماشینهای بردار پشتیبان، بعد Vapnik- Chervonenk، احتمالاً تقریباً درست یادگیری، شبکههای Baysian و علّی، روشهای کمینهسازی مبتنی بر اطلاعات، افزایش اطلاعات و اطلاعات یادگیری گراف، روشهای درخت تصمیم، فرآیندهای تصمیم مارکوف، یادگیری تقویتی، و کاربردهای نظریه یادگیری الگوریتمی در دنیای واقعی. DS 2010 سیزدهمین کنفرانس بین المللی علوم اکتشاف بود و بر توسعه و تجزیه و تحلیل روش هایی برای تجزیه و تحلیل هوشمند داده ها، کشف دانش و یادگیری ماشین و همچنین کاربرد آنها در کشف دانش علمی متمرکز بود. همانطور که مرسوم است، به موازات تئوری یادگیری الگوریتمی در محل مشترک قرار گرفت و برگزار شد.
This volume contains the papers presented at the 21st International Conf- ence on Algorithmic Learning Theory (ALT 2010), which was held in Canberra, Australia, October 6–8, 2010. The conference was co-located with the 13th - ternational Conference on Discovery Science (DS 2010) and with the Machine Learning Summer School, which was held just before ALT 2010. The tech- cal program of ALT 2010, contained 26 papers selected from 44 submissions and ?ve invited talks. The invited talks were presented in joint sessions of both conferences. ALT 2010 was dedicated to the theoretical foundations of machine learning and took place on the campus of the Australian National University, Canberra, Australia. ALT provides a forum for high-quality talks with a strong theore- cal background and scienti?c interchange in areas such as inductive inference, universal prediction, teaching models, grammatical inference, formal languages, inductive logic programming, query learning, complexity of learning, on-line learning and relative loss bounds, semi-supervised and unsupervised learning, clustering,activelearning,statisticallearning,supportvectormachines,Vapnik- Chervonenkisdimension,probablyapproximatelycorrectlearning,Bayesianand causal networks, boosting and bagging, information-based methods, minimum descriptionlength,Kolmogorovcomplexity,kernels,graphlearning,decisiontree methods, Markov decision processes, reinforcement learning, and real-world - plications of algorithmic learning theory. DS 2010 was the 13th International Conference on Discovery Science and focused on the development and analysis of methods for intelligent data an- ysis, knowledge discovery and machine learning, as well as their application to scienti?c knowledge discovery. As is the tradition, it was co-located and held in parallel with Algorithmic Learning Theory.
Front Matter....Pages -
Editors’ Introduction....Pages 1-10
Towards General Algorithms for Grammatical Inference....Pages 11-30
The Blessing and the Curse of the Multiplicative Updates....Pages 31-31
Discovery of Abstract Concepts by a Robot....Pages 32-32
Contrast Pattern Mining and Its Application for Building Robust Classifiers....Pages 33-33
Optimal Online Prediction in Adversarial Environments....Pages 34-34
A Lower Bound for Learning Distributions Generated by Probabilistic Automata....Pages 179-193
Lower Bounds on Learning Random Structures with Statistical Queries....Pages 194-208
Recursive Teaching Dimension, Learning Complexity, and Maximum Classes....Pages 209-223
Toward a Classification of Finite Partial-Monitoring Games....Pages 224-238
An Algorithm for Iterative Selection of Blocks of Features....Pages 35-49
Bayesian Active Learning Using Arbitrary Binary Valued Queries....Pages 50-58
Approximation Stability and Boosting....Pages 59-73
A Spectral Approach for Probabilistic Grammatical Inference on Trees....Pages 74-88
PageRank Optimization in Polynomial Time by Stochastic Shortest Path Reformulation....Pages 89-103
Inferring Social Networks from Outbreaks....Pages 104-118
Distribution-Dependent PAC-Bayes Priors....Pages 119-133
PAC Learnability of a Concept Class under Non-atomic Measures: A Problem by Vidyasagar....Pages 134-147
A PAC-Bayes Bound for Tailored Density Estimation....Pages 148-162
Compressed Learning with Regular Concept....Pages 163-178
Switching Investments....Pages 239-254
Prediction with Expert Advice under Discounted Loss....Pages 255-269
A Regularization Approach to Metrical Task Systems....Pages 270-284
Solutions to Open Questions for Non-U-Shaped Learning with Memory Limitations....Pages 285-299
Learning without Coding....Pages 300-314
Learning Figures with the Hausdorff Metric by Fractals....Pages 315-329
Inductive Inference of Languages from Samplings....Pages 330-344
Optimality Issues of Universal Greedy Agents with Static Priors....Pages 345-359
Consistency of Feature Markov Processes....Pages 360-374
Algorithms for Adversarial Bandit Problems with Multiple Plays....Pages 375-389
Online Multiple Kernel Learning: Algorithms and Mistake Bounds....Pages 390-404
An Identity for Kernel Ridge Regression....Pages 405-419
Back Matter....Pages -