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:
نویسندگان: COLT
سری:
ISBN (شابک) : 9781558601468, 1558601465
ناشر: Morgan Kaufmann
سال نشر: 1990
تعداد صفحات: 391
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 25 مگابایت
در صورت تبدیل فایل کتاب Colt Proceedings 1990 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 مجموعه مقالات Colt 1990 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.
COLT '90 مجموعه مقالات سومین کارگاه سالانه نظریه یادگیری محاسباتی را پوشش می دهد که توسط ACM SIGACT/SIGART، دانشگاه روچستر، روچستر، نیویورک در 6 تا 8 آگوست 1990 حمایت می شود. این کتاب بر روی فرآیندها، روش ها، اصول تمرکز دارد. و رویکردهای درگیر در نظریه یادگیری محاسباتی. این انتخاب ابتدا به استنتاج استقرایی برنامههای حداقل، تنظیمات سوئیچ یادگیری، پیچیدگی محاسباتی توزیعهای تقریبی توسط اتوماتای احتمالی، و یک معیار یادگیری برای قوانین تصادفی میپردازد. سپس متن نگاهی به شناسایی استقرایی زبانهای الگو با جایگزینهای محدود، یادگیری بسطهای جمع حلقه، پیچیدگی نمونهای از یادگیری PAC با استفاده از مثالهای تصادفی و انتخابی، و برخی مشکلات یادگیری با اوراکل میاندازد. این کتاب یک روش مکانیکی تحقیق علمی موفق را بررسی میکند، که الگوریتم یادگیری ضعیف را توسط اکثریت تقویت میکند و یادگیری از راه دور. بحثها بر ارتباط با قابلیت یادگیری PAC، بازی اکثریت رای، تقویت یک یادگیرنده ضعیف با اکثریت آرا، و الگوی تحقیق علمی متمرکز است. این انتخاب منبع قابل اعتمادی از داده ها برای محققان علاقه مند به نظریه یادگیری محاسباتی است.
COLT '90 covers the proceedings of the Third Annual Workshop on Computational Learning Theory, sponsored by the ACM SIGACT/SIGART, University of Rochester, Rochester, New York on August 6-8, 1990. The book focuses on the processes, methodologies, principles, and approaches involved in computational learning theory. The selection first elaborates on inductive inference of minimal programs, learning switch configurations, computational complexity of approximating distributions by probabilistic automata, and a learning criterion for stochastic rules. The text then takes a look at inductive identification of pattern languages with restricted substitutions, learning ring-sum-expansions, sample complexity of PAC-learning using random and chosen examples, and some problems of learning with an Oracle. The book examines a mechanical method of successful scientific inquiry, boosting a weak learning algorithm by majority, and learning by distances. Discussions focus on the relation to PAC learnability, majority-vote game, boosting a weak learner by majority vote, and a paradigm of scientific inquiry. The selection is a dependable source of data for researchers interested in the computational learning theory.
Content: