Decision forests for computer vision and medical image analysis

این متن کاربردی و آسان برای دنبال کردن، زیربنای نظری جنگل‌های تصمیم‌گیری را بررسی می‌کند، و ادبیات گسترده موجود در این زمینه را در قالب یک مدل جنگلی همه‌منظوره جدید سازماندهی می‌کند. موضوعات و ویژگی ها: با پیشگفتاری توسط پروفسور Y. Amit و پروفسور D. Geman، بازگویی مشارکت آنها در توسعه جنگل های تصمیم گیری. یک مدل جنگل تصمیم گیری انعطاف پذیر را معرفی می کند که قادر به پرداختن به مجموعه وسیع و متنوعی از وظایف تجزیه و تحلیل تصویر و ویدئو است. هم مبانی نظری و هم اجرای عملی جنگل های تصمیم را بررسی می کند. در مورد استفاده از جنگل های تصمیم برای کارهایی مانند طبقه بندی، رگرسیون، تخمین تراکم، یادگیری چندگانه، یادگیری فعال و طبقه بندی نیمه نظارت شده بحث می کند. شامل تمرین‌ها و آزمایش‌ها در سراسر متن، با راه‌حل‌ها، اسلایدها، ویدئوهای نمایشی و سایر مطالب تکمیلی ارائه‌شده در وب‌سایت مرتبط. یک کتابخانه نرم افزاری رایگان و کاربرپسند را فراهم می کند و خواننده را قادر می سازد تا به صورت عملی با جنگل ها آزمایش کند.

This practical and easy-to-follow text explores the theoretical underpinnings of decision forests, organizing the vast existing literature on the field within a new, general-purpose forest model. Topics and features: with a foreword by Prof. Y. Amit and Prof. D. Geman, recounting their participation in the development of decision forests; introduces a flexible decision forest model, capable of addressing a large and diverse set of image and video analysis tasks; investigates both the theoretical foundations and the practical implementation of decision forests; discusses the use of decision forests for such tasks as classification, regression, density estimation, manifold learning, active learning and semi-supervised classification; includes exercises and experiments throughout the text, with solutions, slides, demo videos and other supplementary material provided at an associated website; provides a free, user-friendly software library, enabling the reader to experiment with forests in a hands-on manner.