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: Balaji Krishnapuram
سری: Chapman & Hall/CRC machine learning & pattern recognition series
ISBN (شابک) : 1439839255, 9781439839256
ناشر: CRC Press 2011
سال نشر: 2011
تعداد صفحات: 316
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 22 مگابایت
در صورت تبدیل فایل کتاب Cost-sensitive machine learning. Bharat Rao, Shipeng Yu and R. Bharat Rao 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 ماشین حساس به هزینه. Bharat Rao ، Shipeng Yu و R. Bharat Rao 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.
در برنامههای یادگیری ماشین، پزشکان باید هزینههای مرتبط با الگوریتم را در نظر بگیرند. این هزینه ها عبارتند از: هزینه به دست آوردن داده های آموزشی هزینه حاشیه نویسی/برچسب گذاری داده ها و تمیز کردن هزینه محاسباتی برای برازش مدل، اعتبارسنجی و آزمایش هزینه جمع آوری ویژگی ها/ویژگی ها برای داده های آزمایشی هزینه جمع آوری بازخورد کاربر هزینه پیش بینی/طبقه بندی نادرست حساس به هزینه یادگیری ماشینی یکی از اولین کتاب هایی است که مروری بر تلاش ها و مشکلات تحقیقاتی جاری در این زمینه ارائه می دهد. این برنامه کاربردهای دنیای واقعی را مورد بحث قرار میدهد که هزینه یادگیری را در فرآیند مدلسازی گنجانده است. بخش اول کتاب مبانی نظری یادگیری ماشینی حساس به هزینه را ارائه میکند. این روش رویکردهای یادگیری ماشینی به خوبی تثبیت شده برای کاهش هزینههای اکتساب داده در طول آموزش و همچنین رویکردهایی برای کاهش هزینهها هنگامی که سیستمها باید برای نمونههای جدید پیشبینی کنند، توصیف میکند. بخش دوم برنامه های کاربردی دنیای واقعی را پوشش می دهد که به طور موثر انواع مختلف هزینه ها را مبادله می کنند. این برنامهها نه تنها از رویکردهای یادگیری ماشین سنتی استفاده میکنند، بلکه تحقیقات پیشرفتهای را نیز در بر میگیرند که با تجزیه و تحلیل نیازهای برنامه از اصول اولیه، فراتر از فرضیات محدود پیشرفت میکنند. با تحریک تحقیقات بیشتر در مورد چندین مشکل باز، این جلد مفروضات اغلب ضمنی در تکنیک های یادگیری ماشین را که در گذشته به طور کامل درک نشده بودند، برجسته می کند. این کتاب همچنین اهمیت تجاری یادگیری ماشینی حساس به هزینه را از طریق پوشش توسعه سریع برنامههای کاربردی که توسط شرکتهای پیشرو و آزمایشگاههای تحقیقاتی دانشگاهی ایجاد شده است، نشان میدهد.
In machine learning applications, practitioners must take into account the cost associated with the algorithm. These costs include: Cost of acquiring training data Cost of data annotation/labeling and cleaning Computational cost for model fitting, validation, and testing Cost of collecting features/attributes for test data Cost of user feedback collection Cost of incorrect prediction/classification Cost-Sensitive Machine Learning is one of the first books to provide an overview of the current research efforts and problems in this area. It discusses real-world applications that incorporate the cost of learning into the modeling process. The first part of the book presents the theoretical underpinnings of cost-sensitive machine learning. It describes well-established machine learning approaches for reducing data acquisition costs during training as well as approaches for reducing costs when systems must make predictions for new samples. The second part covers real-world applications that effectively trade off different types of costs. These applications not only use traditional machine learning approaches, but they also incorporate cutting-edge research that advances beyond the constraining assumptions by analyzing the application needs from first principles. Spurring further research on several open problems, this volume highlights the often implicit assumptions in machine learning techniques that were not fully understood in the past. The book also illustrates the commercial importance of cost-sensitive machine learning through its coverage of the rapid application developments made by leading companies and academic research labs.
Contents......Page 6
List of Figures......Page 8
List of Tables......Page 12
Preface......Page 14
Contributors......Page 18
I. Theoretical Underpinnings of Cost-Sensitive Machine Learning......Page 20
1. Algorithms for Active Learning......Page 22
2. Semi-Supervised Learning: Some Recent Advances......Page 50
3. Transfer Learning, Multi-Task Learning, and Cost-Sensitive Learning......Page 80
4. Cost-Sensitive Cascades......Page 106
5. Selective Data Acquisition for Machine Learning......Page 120
II. Cost-Sensitive Machine Learning Applications......Page 176
6. Minimizing Annotation Costs in Visual Category Learning......Page 178
7. Reliability and Redundancy: Reducing Error Cost in Medical Imaging......Page 238
8. Cost-Sensitive Learning in Computational Advertising......Page 260
9. Cost-Sensitive Machine Learning for Information Retrieval......Page 284