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
دسته بندی: ریاضیات محاسباتی ویرایش: 1 نویسندگان: Shahar Mendelson, Robert C. Williamson (auth.), Jyrki Kivinen, Robert H. Sloan (eds.) سری: Lecture Notes in Computer Science 2375 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 354043836X, 9783540438366 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2002 تعداد صفحات: 411 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب تئوری یادگیری محاسباتی: 15th کنفرانس سالانه تئوری یادگیری محاسباتی، COLT 2002 سیدنی، استرالیا، 8-10 اکتبر 2002، پرونده ها: هوش مصنوعی (شامل رباتیک)، منطق ریاضی و زبانهای رسمی، محاسبات با دستگاههای انتزاعی، تحلیل الگوریتم و پیچیدگی مسئله
در صورت تبدیل فایل کتاب Computational Learning Theory: 15th Annual Conference on Computational Learning Theory, COLT 2002 Sydney, Australia, July 8–10, 2002 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 محاسباتی: 15th کنفرانس سالانه تئوری یادگیری محاسباتی، COLT 2002 سیدنی، استرالیا، 8-10 اکتبر 2002، پرونده ها 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 پانزدهمین کنفرانس سالانه نظریه
یادگیری محاسباتی، COLT 2002، در سیدنی، استرالیا، در ژوئیه 2002
است.
26 مقاله کامل اصلاح شده ارائه شده به دقت بررسی و از بین 55 مورد
ارسالی انتخاب شدند. مقالات در بخش های موضوعی در مورد نظریه
یادگیری آماری، یادگیری آنلاین، استنتاج استقرایی، یادگیری PAC،
تقویت، و سایر پارادایم های یادگیری سازماندهی شده اند.
This book constitutes the refereed proceedings of the 15th
Annual Conference on Computational Learning Theory, COLT 2002,
held in Sydney, Australia, in July 2002.
The 26 revised full papers presented were carefully reviewed
and selected from 55 submissions. The papers are organized in
topical sections on statistical learning theory, online
learning, inductive inference, PAC learning, boosting, and
other learning paradigms.
Agnostic Learning Nonconvex Function Classes....Pages 1-13
Entropy, Combinatorial Dimensions and Random Averages....Pages 14-28
Geometric Parameters of Kernel Machines....Pages 29-43
Localized Rademacher Complexities....Pages 44-58
Some Local Measures of Complexity of Convex Hulls and Generalization Bounds....Pages 59-73
Path Kernels and Multiplicative Updates....Pages 74-89
Predictive Complexity and Information....Pages 90-105
Mixability and the Existence of Weak Complexities....Pages 105-120
A Second-Order Perceptron Algorithm....Pages 121-137
Tracking Linear-Threshold Concepts with Winnow....Pages 138-153
Learning Tree Languages from Text....Pages 153-168
Polynomial Time Inductive Inference of Ordered Tree Patterns with Internal Structured Variables from Positive Data....Pages 169-184
Inferring Deterministic Linear Languages....Pages 185-200
Merging Uniform Inductive Learners....Pages 201-216
The Speed Prior: A New Simplicity Measure Yielding Near-Optimal Computable Predictions....Pages 216-228
New Lower Bounds for Statistical Query Learning....Pages 229-243
Exploring Learnability between Exact and PAC....Pages 244-254
PAC Bounds for Multi-armed Bandit and Markov Decision Processes....Pages 255-270
Bounds for the Minimum Disagreement Problem with Applications to Learning Theory....Pages 271-286
On the Proper Learning of Axis Parallel Concepts....Pages 287-302
A Consistent Strategy for Boosting Algorithms....Pages 303-319
The Consistency of Greedy Algorithms for Classification....Pages 319-333
Maximizing the Margin with Boosting....Pages 334-350
Performance Guarantees for Hierarchical Clustering....Pages 351-363
Self-Optimizing and Pareto-Optimal Policies in General Environments Based on Bayes-Mixtures....Pages 364-379
Prediction and Dimension....Pages 380-395
Learning the Internet....Pages 396-396