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 ed.] نویسندگان: Yasubumi Sakakibara (auth.), Klaus P. Jantke, Takeshi Shinohara, Thomas Zeugmann (eds.) سری: Lecture Notes in Computer Science 997 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 3540604545, 9783540604549 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 1995 تعداد صفحات: 324 [335] زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Algorithmic Learning Theory: 6th International Workshop,ALT '95 Fukuoka, Japan, October 18–20, 1995 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: ششمین کارگاه بین المللی، ALT '95 فوکوکا، ژاپن، 18 تا 20 اکتبر 1995 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 ششمین کارگاه بینالمللی نظریه
یادگیری الگوریتمی، ALT '95 است که در فوکوکا، ژاپن، در اکتبر
1995 برگزار شد.
این کتاب شامل 21 مقاله کامل اصلاحشده است که از بین 46 مقاله
ارسالی انتخاب شدهاند. مشارکت های دعوت شده تمام حوزههای فعلی
مرتبط با نظریه یادگیری الگوریتمی، به ویژه نظریه یادگیری
ماشین، طراحی و تجزیه و تحلیل الگوریتمهای یادگیری، جنبههای
منطق محاسباتی، استنتاج استقرایی، یادگیری از طریق پرس و جو،
یادگیری شبکههای عصبی مصنوعی و بیولوژیکی، تشخیص الگو، یادگیری
با قیاس را پوشش میدهد. ، یادگیری آماری، برنامه ریزی منطق
استقرایی، یادگیری ربات، و تجزیه و تحلیل ژن.
This book constitutes the refereed proceedings of the 6th
International Workshop on Algorithmic Learning Theory, ALT
'95, held in Fukuoka, Japan, in October 1995.
The book contains 21 revised full papers selected from 46
submissions together with three invited contributions. It
covers all current areas related to algorithmic learning
theory, in particular the theory of machine learning, design
and analysis of learning algorithms, computational logic
aspects, inductive inference, learning via queries,
artificial and biologicial neural network learning, pattern
recognition, learning by analogy, statistical learning,
inductive logic programming, robot learning, and gene
analysis.