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: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Ulisses M. Braga Neto, Edward R. Dougherty سری: ISBN (شابک) : 9781118999738 ناشر: Wiley سال نشر: 2015 تعداد صفحات: 336 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب ارزیابی خطای تشخیص الگو: علوم و مهندسی کامپیوتر، هوش مصنوعی، تشخیص الگو
در صورت تبدیل فایل کتاب Error Estimation for Pattern Recognition 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 ارزیابی خطای تشخیص الگو 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 اولین کتاب در نوع خود است که در مورد تخمین خطا با رویکرد مدل محور بحث می کند. از مبانی طبقهبندیکنندهها و برآوردگرهای خطا تا تئوری توزیعی و بیزی، موضوعات مهم و مسائل اساسی مربوط به اعتبار علمی طبقهبندی الگو را پوشش میدهد. تخمین خطا برای تشخیص الگو بر تخمین خطا متمرکز است، که موضوعی گسترده و ناشناخته است که با استفاده از طبقهبندی الگو به همه حوزههای تحقیقاتی میرسد. این شامل رویکردهای مبتنی بر مدل و بحث در مورد برآوردگرهای خطای جدیدتر مانند برآوردگرهای تقویت شده و بیزی است. انگیزه این کتاب استفاده از تشخیص الگو برای دادههای با توان بالا با تکرار محدود است، که یک مشکل اساسی است که اکنون در بسیاری از مناطق ظاهر میشود. دو فصل اول مسائل اساسی در تخمین خطای طبقهبندی، مانند تعاریف، تخمین خطای مجموعه تست، و برآورد خطای مجموعه آموزشی را پوشش میدهد. فصلهای باقیمانده در این کتاب نتایجی را در مورد عملکرد و نمایش برآوردگرهای خطای مجموعه آموزشی برای طبقهبندیکنندههای الگوی مختلف پوشش میدهند.
This book is the first of its kind to discuss error estimation with a model-based approach. From the basics of classifiers and error estimators to distributional and Bayesian theory, it covers important topics and essential issues pertaining to the scientific validity of pattern classification. Error Estimation for Pattern Recognition focuses on error estimation, which is a broad and poorly understood topic that reaches all research areas using pattern classification. It includes model-based approaches and discussions of newer error estimators such as bolstered and Bayesian estimators. This book was motivated by the application of pattern recognition to high-throughput data with limited replicates, which is a basic problem now appearing in many areas. The first two chapters cover basic issues in classification error estimation, such as definitions, test-set error estimation, and training-set error estimation. The remaining chapters in this book cover results on the performance and representation of training-set error estimators for various pattern classifiers.