مشخصات کتاب

Improving Classifier Generalization. Real-Time Machine Learning based Applications

ویرایش:  
نویسندگان: Rahul Kumar Sevakula. Nishchal K. Verma  
سری: Studies in Computational Intelligence, Volume 989 
ISBN (شابک) : 9789811950728, 9789811950735 
ناشر: Springer 
سال نشر: 2023 
تعداد صفحات: [181] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 Mb 

در صورت تبدیل فایل کتاب Improving Classifier Generalization. Real-Time Machine Learning based Applications 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 بهبود تعمیم طبقه بندی کننده. برنامه های کاربردی مبتنی بر یادگیری ماشینی در زمان واقعی 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 بهبود تعمیم طبقه بندی کننده. برنامه های کاربردی مبتنی بر یادگیری ماشینی در زمان واقعی

این کتاب به طور مفصل درباره تکنیک‌هایی که معمولاً برای بهبود عملکرد تعمیم در رویکردهای طبقه‌بندی استفاده می‌شوند، بحث می‌کند. محتویات روش‌هایی را برای بهبود عملکرد طبقه‌بندی در مطالعات موردی متعدد برجسته می‌کنند: از مجموعه داده‌های مخزن UCI تا مشکلات نگهداری پیش‌بینی‌کننده و مشکلات طبقه‌بندی سرطان. این کتاب به طور خاص یک آموزش مفصل در مورد نحوه نزدیک شدن به مسائل طبقه بندی سری های زمانی ارائه می دهد و دو مطالعه موردی زمان واقعی در مورد پایش شرایط را مورد بحث قرار می دهد. علاوه بر توصیف جنبه‌های مختلفی که یک دانشمند داده باید قبل از نهایی کردن رویکرد خود به یک مسئله طبقه‌بندی و بررسی وضعیت هنر برای بهبود عملکرد تعمیم طبقه‌بندی در نظر بگیرد، همچنین مشارکت‌های خود نویسندگان در این زمینه، از جمله MVPC - a را شرح می‌دهد. طبقه‌بندی کننده با ابعاد VC بسیار کم، یک چارچوب مبتنی بر شاخص‌های گرافیکی برای نگهداری پیش‌بینی‌کننده قابل اعتماد و یک توابع عضویت همه‌منظوره جدید برای ماشین بردار پشتیبانی فازی که بهترین عملکرد را با مجموعه داده‌های پر سر و صدا ارائه می‌دهد، و یک طرح جدید برای معرفی یادگیری عمیق در فازی طبقه بندی کننده های مبتنی بر قانون (FRC). این جلد به عنوان یک مرجع مفید برای محققان و دانشجویانی که در زمینه یادگیری ماشینی، پایش سلامت، نگهداری پیش‌بینی‌کننده، تجزیه و تحلیل سری‌های زمانی، طبقه‌بندی داده‌های بیان ژن کار می‌کنند، استفاده می‌کند.

توضیحاتی درمورد کتاب به خارجی

This book elaborately discusses techniques commonly used to improve generalization performance in classification approaches. The contents highlight methods to improve classification performance in numerous case studies: ranging from datasets of UCI repository to predictive maintenance problems and cancer classification problems. The book specifically provides a detailed tutorial on how to approach time-series classification problems and discusses two real time case studies on condition monitoring. In addition to describing the various aspects a data scientist must consider before finalizing their approach to a classification problem and reviewing the state of the art for improving classification generalization performance, it also discusses in detail the authors own contributions to the field, including MVPC - a classifier with very low VC dimension, a graphical indices based framework for reliable predictive maintenance and a novel general-purpose membership functions for Fuzzy Support Vector Machine which provides state of the art performance with noisy datasets, and a novel scheme to introduce deep learning in Fuzzy Rule based classifiers (FRCs). This volume will serve as a useful reference for researchers and students working on machine learning, health monitoring, predictive maintenance, time-series analysis, gene-expression data classification.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Galeria del arte decorativo

دانلود کتاب Nursing Herbal Medicine Handbook

دانلود کتاب The Giants and Their City: Major League Baseball in San Francisco, 1976–1992

دانلود کتاب Partition Functions and Automorphic Forms

دانلود کتاب Oral Traditions and the Verbal Arts: A Guide to Research Practices (Asa Research Methods in Social Anthropologists)