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: [1 ed.] نویسندگان: Sheela Ramanna, Lakhmi C. Jain, Robert J. Howlett (auth.), Sheela Ramanna, Lakhmi C Jain, Robert J. Howlett (eds.) سری: Smart Innovation, Systems and Technologies 13 ISBN (شابک) : 9783642286988, 9783642286995 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2013 تعداد صفحات: 498 [506] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 Mb
در صورت تبدیل فایل کتاب Emerging Paradigms in Machine Learning 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 الگوی نوظهور در یادگیری ماشین 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 موضوعات و الگوریتمهای اساسی را ارائه میکند که هسته تحقیقات یادگیری ماشین (ML) و همچنین پارادایمهای نوظهور در طراحی سیستم هوشمند را تشکیل میدهند. ماهیت چند رشته ای یادگیری ماشینی آن را به یک حوزه بسیار جذاب و محبوب برای تحقیق تبدیل می کند. هدف این کتاب دانشجویان، پزشکان و محققان است و تنوع و غنای حوزه یادگیری ماشینی و سیستمهای هوشمند را به تصویر میکشد. چندین فصل به مدلهای یادگیری محاسباتی مانند محاسبات دانهای، مجموعههای ناهموار و مجموعههای فازی اختصاص داده شده است. شبکه ها نقاط قوت و ضعف روش ها را روشن می کنند. مطالعات عملی که بینشی در مورد مسائل چالش برانگیز مانند یادگیری از دادههای ناقص و نامتعادل، تشخیص الگوی رویدادهای اپیزودیک تصادفی و کاوی آنلاین جریانهای داده غیر ثابت را به دست میدهد، بخش کلیدی این کتاب است.
This book presents fundamental topics and algorithms that form the core of machine learning (ML) research, as well as emerging paradigms in intelligent system design. The multidisciplinary nature of machine learning makes it a very fascinating and popular area for research. The book is aiming at students, practitioners and researchers and captures the diversity and richness of the field of machine learning and intelligent systems. Several chapters are devoted to computational learning models such as granular computing, rough sets and fuzzy sets An account of applications of well-known learning methods in biometrics, computational stylistics, multi-agent systems, spam classification including an extremely well-written survey on Bayesian networks shed light on the strengths and weaknesses of the methods. Practical studies yielding insight into challenging problems such as learning from incomplete and imbalanced data, pattern recognition of stochastic episodic events and on-line mining of non-stationary data streams are a key part of this book.