Autonomous Learning Systems: From Data Streams to Knowledge in Real-time

ویرایش:  
نویسندگان: Plamen Angelov(auth.)  
سری:  
ISBN (شابک) : 9781119951520, 9781118481769 
ناشر:  
سال نشر: 2012 
تعداد صفحات: 279 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 Mb 

قیمت کتاب (تومان) : 76,000



سیستم‌های یادگیری مستقل نتیجه بیش از یک دهه تحقیق و مطالعات متمرکز در این حوزه نوظهور است که تعدادی از رشته‌های شناخته شده و تثبیت شده را شامل می‌شود که شامل یادگیری ماشین، شناسایی سیستم، داده کاوی، منطق فازی، شبکه های عصبی، سیستم های عصبی فازی، تئوری کنترل و تشخیص الگو. تکامل این سیستم‌ها هم صنعت محور بوده است و هم تقاضای فزاینده‌ای از بخش‌هایی مانند دفاع و امنیت، هوافضا و صنایع فرآیندی پیشرفته، پزشکی زیستی و حمل‌ونقل هوشمند، و همچنین پژوهش محور بوده است - یک روند قوی از نوآوری وجود دارد. از تمام رشته های تحقیقاتی تثبیت شده فوق که به برنامه آنلاین و بلادرنگ آنها مرتبط است. سازگاری و انعطاف پذیری آنها.

این کتاب با ارائه مقدمه ای بر فن آوری های کلیدی، توضیحات فنی دقیق از روش، و تصویری از ارتباط عملی رویکرد با طیف گسترده ای از کاربردها، به چالش های سیستم‌های یادگیری مستقل با رویکردی سیستماتیک که پایه‌های یک حوزه تحقیقاتی رو به رشد سریع را ایجاد می‌کند که زیربنای طیف وسیعی از کاربردهای تکنولوژیکی حیاتی برای صنعت و جامعه خواهد بود.

ویژگی های کلیدی: 

• موضوع را به طور سیستماتیک از توضیح اصول اولیه تا نشان دادن رویکرد پیشنهادی با کاربردهای متعدد ارائه می دهد.
• گستره وسیعی از کاربردها را پوشش می دهد. در زمینه‌هایی از جمله وسایل نقلیه بدون سرنشین/رباتیک، پالایشگاه‌های نفت، صنایع شیمیایی، رفتار کاربر در حال تکامل و شناسایی فعالیت‌ها.
• زمینه‌های سنتی از جمله خوشه‌بندی، طبقه‌بندی، کنترل، تشخیص خطا و تشخیص ناهنجاری، فیلتر کردن و تخمین را از طریق منشور بررسی می‌کند. مکانیسم‌های یادگیری مستقل و در حال تکامل.
• همراه با یک وب‌سایت حاوی مطالب اضافی، از جمله جعبه ابزار نرم‌افزار و یادداشت‌های سخنرانی.

سیستم‌های یادگیری خودکار یک «فروشگاه یک‌جا» در این زمینه برای دانشگاهیان، دانشجویان، محققان و مهندسان شاغل فراهم می‌کند. همچنین مرجع ارزشمندی برای سازمان های دولتی و توسعه دهندگان نرم افزار است.

محتوا:
مقدمه فصل 1 (صفحات 1-16):
فصل 2 مبانی نظریه احتمال (صفحات 17-36):
فصل 3 مبانی یادگیری ماشین و تشخیص الگو (صفحه های 37-59):
فصل 4 مبانی نظریه سیستم های فازی (صفحه های 61-81):
فصل 5 ساختار سیستم در حال تکامل از جریان داده ها (صفحه های 83-107) ):
فصل 6 پارامترهای یادگیری مستقل از مدل های فرعی محلی (صفحه های 109-119):
فصل 7 پیش بینی کننده های مستقل، برآوردگرها، فیلترها، حسگرهای استنتاجی (صفحه های 121-131):
فصل 8 طبقه بندی کننده های یادگیری مستقل (صفحات 133-141):
فصل 9 کنترل کننده های یادگیری مستقل (صفحه های 143-153):
فصل 10 سیستم های یادگیری مستقل مشترک (صفحه های 155-161):
فصل 11 حسگرهای یادگیری مستقل برای مواد شیمیایی و پتروشیمی صنایع (صفحه‌های 163-178):
فصل 12 سیستم‌های یادگیری مستقل در رباتیک متحرک (صفحه‌های 179-196):
فصل 13 تشخیص جدید جدید و ردیابی شی در جریان‌های ویدیویی (صفحه‌های 197-209):
فصل 14 مدل سازی رفتار کاربر در حال تکامل با ALS (صفحه های 211-222):
فصل 15 پایان (صفحه های 223-228):

Autonomous Learning Systems is the result of over a decade of focused research and studies in this emerging area which spans a number of well-known and well-established disciplines that include machine learning, system identification, data mining, fuzzy logic, neural networks, neuro-fuzzy systems, control theory and pattern recognition. The evolution of these systems has been both industry-driven with an increasing demand from sectors such as defence and security, aerospace and advanced process industries, bio-medicine and intelligent transportation, as well as research-driven – there is a strong trend of innovation of all of the above well-established research disciplines that is linked to their on-line and real-time application; their adaptability and flexibility.

Providing an introduction to the key technologies, detailed technical explanations of the methodology, and an illustration of the practical relevance of the approach with a wide range of applications, this book addresses the challenges of autonomous learning systems with a systematic approach that lays the foundations for a fast growing area of research that will underpin a range of technological applications vital to both industry and society. 

Key features: 

• Presents the subject systematically from explaining the fundamentals to illustrating the proposed approach with numerous applications.
• Covers a wide range of applications in fields including unmanned vehicles/robotics, oil refineries, chemical industry, evolving user behaviour and activity recognition.
• Reviews traditional fields including clustering, classification, control, fault detection and anomaly detection, filtering and estimation through the prism of evolving and autonomously learning mechanisms.
• Accompanied by a website hosting additional material, including the software toolbox and lecture notes.

Autonomous Learning Systems provides a ‘one-stop shop’ on the subject for academics, students, researchers and practicing engineers. It is also a valuable reference for Government agencies and software developers.

Content:
Chapter 1 Introduction (pages 1–16):
Chapter 2 Fundamentals of Probability Theory (pages 17–36):
Chapter 3 Fundamentals of Machine Learning and Pattern Recognition (pages 37–59):
Chapter 4 Fundamentals of Fuzzy Systems Theory (pages 61–81):
Chapter 5 Evolving System Structure from Streaming Data (pages 83–107):
Chapter 6 Autonomous Learning Parameters of the Local Submodels (pages 109–119):
Chapter 7 Autonomous Predictors, Estimators, Filters, Inferential Sensors (pages 121–131):
Chapter 8 Autonomous Learning Classifiers (pages 133–141):
Chapter 9 Autonomous Learning Controllers (pages 143–153):
Chapter 10 Collaborative Autonomous Learning Systems (pages 155–161):
Chapter 11 Autonomous Learning Sensors for Chemical and Petrochemical Industries (pages 163–178):
Chapter 12 Autonomous Learning Systems in Mobile Robotics (pages 179–196):
Chapter 13 Autonomous Novelty Detection and Object Tracking in Video Streams (pages 197–209):
Chapter 14 Modelling Evolving User Behaviour with ALS (pages 211–222):
Chapter 15 Epilogue (pages 223–228):