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: Antonio Lepore, Biagio Palumbo, Jean-Michel Poggi سری: ISBN (شابک) : 9783031124013, 9783031124020 ناشر: Springer سال نشر: 2022 تعداد صفحات: 129 [130] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Interpretability for Industry 4.0 : Statistical and Machine Learning Approaches 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 تفسیرپذیری برای صنعت 4.0: رویکردهای یادگیری آماری و ماشینی 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 جلد مقدمهای فشرده، محرک و چندوجهی در مورد تفسیرپذیری را در اختیار خوانندگان قرار میدهد، موضوعی کلیدی برای توسعه روشهای آماری و یادگیری ماشینی و همچنین برای برقراری ارتباط نتایج مدلسازی در تجارت و صنعت. دیدگاههای متفاوتی در زمینه صنعت 4.0 در ارتباط با مفاهیم توضیحپذیری ابزارهای یادگیری ماشین، تعمیمپذیری خروجیهای مدل و تحلیل حساسیت ارائه شده است. علاوه بر این، این کتاب ادغام هوش مصنوعی و تجزیه و تحلیل قوی واریانس را برای داده کاوی و نظارت در تولید افزودنی بررسی میکند و از طریق جنگلهای تصادفی و مدلهای افزودنی تعمیمیافته انعطافپذیر به همراه منابع نرمافزاری مرتبط و نمونههای واقعی، نور جدیدی را بر قابلیت تفسیرپذیری میافکند.
This volume provides readers with a compact, stimulating and multifaceted introduction to interpretability, a key issue for developing insightful statistical and machine learning approaches as well as for communicating modelling results in business and industry. Different views in the context of Industry 4.0 are offered in connection with the concepts of explainability of machine learning tools, generalizability of model outputs and sensitivity analysis. Moreover, the book explores the integration of Artificial Intelligence and robust analysis of variance for big data mining and monitoring in Additive Manufacturing, and sheds new light on interpretability via random forests and flexible generalized additive models together with related software resources and real-world examples.