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: Ying Bi, Bing Xue, Mengjie Zhang سری: ISBN (شابک) : 9783030659271 ناشر: Springer International Publishing سال نشر: 2021 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 37 Mb
در صورت تبدیل فایل کتاب Genetic Programming for Image Classification: An Automated Approach to Feature 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 برنامه نویسی ژنتیکی برای طبقه بندی تصویر: رویکرد خودکار برای یادگیری ویژگی 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 چندین رویکرد جدید GP را برای یادگیری ویژگی برای طبقه بندی تصاویر ارائه می دهد. طبقه بندی تصویر یک کار مهم در بینایی کامپیوتر و یادگیری ماشین با طیف وسیعی از کاربردها است. یادگیری ویژگی یک مرحله اساسی در طبقه بندی تصاویر است، اما به دلیل تنوع زیاد تصاویر دشوار است. برنامه نویسی ژنتیکی (GP) یک تکنیک محاسباتی تکاملی است که می تواند به طور خودکار برنامه های کامپیوتری را برای حل هر مشکلی تکامل دهد. این یک زمینه تحقیقاتی مهم برای GP و طبقه بندی تصویر است. کتابی در این زمینه منتشر نشده است. این کتاب نشان میدهد که چگونه تکنیکهای مختلف، بهعنوان مثال، عملگرهای تصویر، مجموعهها، و جایگزین، برای بهبود دقت و/یا کارایی محاسباتی GP برای طبقهبندی تصویر پیشنهاد و به کار گرفته میشوند. روشهای پیشنهادی برای بسیاری از وظایف طبقهبندی تصاویر مختلف اعمال میشوند و اثربخشی و تفسیرپذیری مدلهای آموختهشده نشان داده خواهد شد. این کتاب به عنوان یک کتاب درسی در مقاطع تحصیلات تکمیلی و کارشناسی ارشد در زمینه هوش مصنوعی، یادگیری ماشین، بینایی کامپیوتر و محاسبات تکاملی مناسب است.
This book offers several new GP approaches to feature learning for image classification. Image classification is an important task in computer vision and machine learning with a wide range of applications. Feature learning is a fundamental step in image classification, but it is difficult due to the high variations of images. Genetic Programming (GP) is an evolutionary computation technique that can automatically evolve computer programs to solve any given problem. This is an important research field of GP and image classification. No book has been published in this field. This book shows how different techniques, e.g., image operators, ensembles, and surrogate, are proposed and employed to improve the accuracy and/or computational efficiency of GP for image classification. The proposed methods are applied to many different image classification tasks, and the effectiveness and interpretability of the learned models will be demonstrated. This book is suitable as a graduate and postgraduate level textbook in artificial intelligence, machine learning, computer vision, and evolutionary computation.