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: Priv.-Doz. Dr. math. Paul Fischer (auth.)
سری: Leitfäden der Informatik
ISBN (شابک) : 9783519029465, 9783663119562
ناشر: Vieweg+Teubner Verlag
سال نشر: 1999
تعداد صفحات: 199
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری الگوریتمی: مهندسی، عمومی
در صورت تبدیل فایل کتاب Algorithmisches Lernen 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 یادگیری الگوریتمی 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.
کتاب مقدمه ای بر حوزه یادگیری الگوریتمی می دهد، i. اچ. در زمینه یادگیری ماشین، که بر جنبه های روش شناختی و پیچیدگی-نظری تأکید دارد. ابتدا این سوال روشن می شود که یادگیری در واقع به چه معناست و چه زمانی می توان گفت که یک ماشین یاد گرفته است. سپس از یک سو بررسی می شود که کدام اشیاء را می توان به این معنا آموخت و از سوی دیگر حدود نیز نشان داده می شود. نتایج ساختاری و اصول طراحی الگوریتمی برای این روش ها ارائه شده است. هدف تعیین مقدار اطلاعات لازم یا کافی برای یادگیری است. رویه هایی برای وظایف خاص نیز ارائه شده است. علاوه بر این، روش هایی برای بهبود فرآیندهای یادگیری ضعیف و فیلتر کردن اختلالات در اطلاعات مورد استفاده برای یادگیری ارائه شده است. تمرین ها این امکان را فراهم می کند که درک صحیح را هنگام مطالعه کتاب بررسی کنید.
Das Buch gibt eine Einführung in das Gebiet des Algorithmischen Lernens, d. h. in den Bereich des Maschinellen Lernens, der methodische und komplexitätstheoretische Aspekte betont. Zunächst wird die Frage geklärt, was überhaupt Lernen bedeutet und wann man davon reden kann, eine Maschine habe gelernt. Anschließend wird einerseits untersucht, welche Objekte in diesem Sinne lernbar sind, andererseits werden auch die Grenzen aufgezeigt. Es werden strukturelle Resultate und algorithmische Entwurfsprinzipien für diese Verfahren dargestellt. Dabei geht es darum, zu bestimmen, wieviel Information zum Lernen notwendig bzw. ausreichend ist. Darüber hinaus werden auch Verfahren für konkrete Aufgaben vorgestellt. Außerdem werden Methoden präsentiert, um unzureichende Lernverfahren zu verbessern und Störungen in der zum Lernen benutzten Information herauszufiltern. Übungen ermöglichen die Überprüfung des richtigen Verständnisses beim Lesen des Buches.
Front Matter....Pages i-viii
Einleitung....Pages 1-9
Das PAC-Modell: Meistens fast korrekt lernen....Pages 11-55
Occam’s Razor....Pages 57-64
Schwache Lerner und Boosting....Pages 65-85
Nichtlernbarkeit....Pages 87-104
Lernen aus verrauschten Beispielen....Pages 105-163
On-Line-Lernen....Pages 165-175
Aufgaben....Pages 177-182
Back Matter....Pages 183-196