ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Fusion Methods for Unsupervised Learning Ensembles

دانلود کتاب روشهای همجوشی برای گروههای یادگیری بدون نظارت

Fusion Methods for Unsupervised Learning Ensembles

مشخصات کتاب

Fusion Methods for Unsupervised Learning Ensembles

دسته بندی: آموزشی
ویرایش: 1 
نویسندگان:   
سری: Studies in Computational Intelligence 322 
ISBN (شابک) : 3642162045, 9783642162046 
ناشر: Springer-Verlag Berlin Heidelberg 
سال نشر: 2011 
تعداد صفحات: 158 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 36,000



کلمات کلیدی مربوط به کتاب روشهای همجوشی برای گروههای یادگیری بدون نظارت: هوش محاسباتی، هوش محاسباتی، هوش مصنوعی (شامل رباتیک)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Fusion Methods for Unsupervised Learning Ensembles 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 روشهای همجوشی برای گروههای یادگیری بدون نظارت 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.


توضیحاتی در مورد کتاب روشهای همجوشی برای گروههای یادگیری بدون نظارت



کاربرد «کمیته متخصصان» یا یادگیری گروهی برای شبکه‌های عصبی مصنوعی که از تکنیک‌های یادگیری بدون نظارت استفاده می‌کنند، به طور گسترده‌ای برای افزایش اثربخشی چنین شبکه‌هایی در نظر گرفته می‌شود. این کتاب پتانسیل متاالگوریتم مجموعه را با توصیف و آزمایش تکنیکی مبتنی بر ترکیب مجموعه‌ها و PCA آماری بررسی می‌کند که قادر به تعیین وجود نقاط پرت در مجموعه داده‌های با ابعاد بالا و به حداقل رساندن اثرات پرت در نتایج نهایی است. . سهم اصلی آن مربوط به الگوریتمی برای ادغام مجموعه نقشه‌های حفظ توپولوژی است که به عنوان برهم‌نهی رأی وزنی (WeVoS) نامیده می‌شود، که برای بهبود کاوش داده‌ها با تجسم دوبعدی در مجموعه داده‌های چند بعدی ابداع شده است. این الگوریتم عمومی در ترکیب با چندین مدل دیگر برگرفته از خانواده نقشه‌های حفظ توپولوژی مانند SOM، ViSOM، SIM و Max-SIM اعمال می‌شود. طیف وسیعی از معیارهای کیفیت برای نقشه‌های حفظ توپولوژی که در ادبیات ارائه شده‌اند برای اعتبارسنجی و مقایسه WeVoS با سایر الگوریتم‌ها استفاده می‌شوند. نتایج تجربی نشان می‌دهد که در اکثر موارد، الگوریتم WeVoS از روش‌های ترکیب نقشه قبلی و نسخه‌های ساده‌تر الگوریتمی که با آن مقایسه می‌شود، بهتر عمل می‌کند. همه الگوریتم‌ها در مجموعه‌های داده‌های مصنوعی مختلف و در چندین مورد از رایج‌ترین مجموعه‌های داده‌های یادگیری ماشینی آزمایش می‌شوند تا ویژگی‌های نظری آن‌ها را تأیید کنند. علاوه بر این، یک مطالعه موردی واقعی که از صنایع غذایی گرفته شده است، مزایای عملی کاربرد آنها را برای مشکلات پیچیده‌تر نشان می‌دهد.


توضیحاتی درمورد کتاب به خارجی

The application of a “committee of experts” or ensemble learning to artificial neural networks that apply unsupervised learning techniques is widely considered to enhance the effectiveness of such networks greatly. This book examines the potential of the ensemble meta-algorithm by describing and testing a technique based on the combination of ensembles and statistical PCA that is able to determine the presence of outliers in high-dimensional data sets and to minimize outlier effects in the final results. Its central contribution concerns an algorithm for the ensemble fusion of topology-preserving maps, referred to as Weighted Voting Superposition (WeVoS), which has been devised to improve data exploration by 2-D visualization over multi-dimensional data sets. This generic algorithm is applied in combination with several other models taken from the family of topology preserving maps, such as the SOM, ViSOM, SIM and Max-SIM. A range of quality measures for topologypreserving maps that are proposed in the literature are used to validate and compare WeVoS with other algorithms. The experimental results demonstrate that, in the majority of cases, the WeVoS algorithm outperforms earlier map-fusion methods and the simpler versions of the algorithm with which it is compared. All the algorithms are tested in different artificial data sets and in several of the most common machine-learning data sets in order to corroborate their theoretical properties. Moreover, a real-life case-study taken from the food industry demonstrates the practical benefits of their application to more complex problems.



فهرست مطالب

Front Matter....Pages -
Introduction....Pages 1-4
Modelling Human Learning: Artificial Neural Networks....Pages 5-29
The Committee of Experts Approach: Ensemble Learning....Pages 31-47
Use of Ensembles for Outlier Overcoming....Pages 49-66
Ensembles of Topology Preserving Maps....Pages 67-94
A Novel Fusion Algorithm for Topology-Preserving Maps....Pages 95-122
Conclusions....Pages 123-125
Back Matter....Pages -




نظرات کاربران