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: 1 نویسندگان: Tamás Kenesei. János Abonyi (auth.) سری: SpringerBriefs in Computer Science ISBN (شابک) : 9783319219417, 9783319219424 ناشر: Springer International Publishing سال نشر: 2015 تعداد صفحات: 89 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب تفسیرپذیری مدل های رگرسیون مبتنی بر هوش محاسباتی: هوش مصنوعی (شامل رباتیک)، هوش محاسباتی، داده کاوی و کشف دانش
در صورت تبدیل فایل کتاب Interpretability of Computational Intelligence-Based Regression Models 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 مدل های رگرسیون مبتنی بر هوش محاسباتی 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.
ایده کلیدی این کتاب این است که ابرصفحههای لولایی، شبکههای عصبی و ماشینهای بردار پشتیبان را میتوان به مدلهای فازی تبدیل کرد، و تفسیرپذیری سیستمهای مبتنی بر قانون را میتوان با تکنیکهای کاهش مدل و تجسم خاص تضمین کرد. بخش اول کتاب به شناسایی درختان رگرسیون مبتنی بر هیپرپلان لولایی می پردازد. بخش بعدی به اعتبار سنجی، تجسم و کاهش ساختاری شبکه های عصبی بر اساس تبدیل لایه پنهان شبکه به یک سیستم پایه قوانین فازی افزودنی می پردازد. در نهایت، بر اساس قیاس رگرسیون بردار پشتیبان و مدلهای فازی، یک الگوریتم کاهش مدل سه مرحلهای برای بدست آوردن مدلهای رگرسیون فازی قابل تفسیر بر اساس رگرسیون بردار پشتیبان پیشنهاد شده است.
نویسندگان، دنیای واقعی را نشان میدهند. استفاده از الگوریتمها با مثالهای برگرفته از مهندسی فرآیند، و متن را با کد قابل دانلود Matlab پشتیبانی میکنند. این کتاب برای محققان، دانشجویان فارغ التحصیل و شاغلین در زمینه هوش محاسباتی و یادگیری ماشین مناسب است.
The key idea of this book is that hinging hyperplanes, neural networks and support vector machines can be transformed into fuzzy models, and interpretability of the resulting rule-based systems can be ensured by special model reduction and visualization techniques. The first part of the book deals with the identification of hinging hyperplane-based regression trees. The next part deals with the validation, visualization and structural reduction of neural networks based on the transformation of the hidden layer of the network into an additive fuzzy rule base system. Finally, based on the analogy of support vector regression and fuzzy models, a three-step model reduction algorithm is proposed to get interpretable fuzzy regression models on the basis of support vector regression.
The authors demonstrate real-world use of the algorithms with examples taken from process engineering, and they support the text with downloadable Matlab code. The book is suitable for researchers, graduate students and practitioners in the areas of computational intelligence and machine learning.
Front Matter....Pages i-x
Introduction....Pages 1-8
Interpretability of Hinging Hyperplanes....Pages 9-32
Interpretability of Neural Networks....Pages 33-48
Interpretability of Support Vector Machines....Pages 49-60
Summary....Pages 61-63
Back Matter....Pages 65-82