دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Introduction to Semi-supervised Learning (Synthesis Lectures on Artificial Intelligence and Machine Learning)
دانلود کتاب مقدمه ای بر یادگیری نیمه نظارت شده (سخنرانی های سنتز در مورد هوش مصنوعی و یادگیری ماشین)
مشخصات کتاب
Introduction to Semi-supervised Learning (Synthesis Lectures on Artificial Intelligence and Machine Learning)
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Xiaojin Zhu. Andrew B. Goldberg سری: ISBN (شابک) : 1598295470, 9781598295474 ناشر: سال نشر: 2009 تعداد صفحات: 130 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
قیمت کتاب (تومان) : 51,000
کلمات کلیدی مربوط به کتاب مقدمه ای بر یادگیری نیمه نظارت شده (سخنرانی های سنتز در مورد هوش مصنوعی و یادگیری ماشین): انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Introduction to Semi-supervised Learning (Synthesis Lectures on Artificial Intelligence and Machine 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 مقدمه ای بر یادگیری نیمه نظارت شده (سخنرانی های سنتز در مورد هوش مصنوعی و یادگیری ماشین) 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 مقدمه ای بر یادگیری نیمه نظارت شده (سخنرانی های سنتز در مورد هوش مصنوعی و یادگیری ماشین)
یادگیری نیمه نظارت شده یک الگوی یادگیری است که به مطالعه چگونگی یادگیری رایانه ها و سیستم های طبیعی مانند انسان در حضور داده های برچسب دار و بدون برچسب می پردازد. به طور سنتی، یادگیری یا در پارادایم بدون نظارت (به عنوان مثال، خوشه‌بندی، تشخیص بیرونی) که در آن همه داده‌ها بدون برچسب هستند، یا در پارادایم نظارت شده (مانند طبقه‌بندی، رگرسیون) که در آن همه داده‌ها برچسب‌گذاری شده‌اند، مورد مطالعه قرار می‌گیرد. هدف از یادگیری نیمه نظارتی این است که بفهمیم چگونه ترکیب داده های برچسب دار و بدون برچسب ممکن است رفتار یادگیری را تغییر دهد و الگوریتم هایی طراحی کنیم که از چنین ترکیبی استفاده کنند. یادگیری نیمه نظارت شده در یادگیری ماشینی و داده کاوی علاقه زیادی دارد زیرا می تواند از داده های بدون برچسب در دسترس برای بهبود وظایف یادگیری نظارت شده در زمانی که داده های برچسب گذاری شده کمیاب یا گران هستند استفاده کند. یادگیری نیمه نظارتی همچنین پتانسیل را به عنوان یک ابزار کمی برای درک یادگیری مقوله انسانی نشان می دهد، جایی که بیشتر ورودی ها به وضوح بدون برچسب هستند. در این کتاب مقدماتی، چند مدل یادگیری نیمه نظارتی محبوب از جمله خودآموزی، مدل‌های مخلوط، آموزش مشترک و یادگیری چند نمایه، روش‌های مبتنی بر نمودار و ماشین‌های بردار پشتیبانی نیمه‌نظارتی را ارائه می‌کنیم. برای هر مدل، فرمول ریاضی پایه آن را مورد بحث قرار می دهیم. موفقیت یادگیری نیمه نظارت شده به طور اساسی به برخی مفروضات اساسی بستگی دارد. ما بر مفروضات ساخته شده توسط هر مدل تأکید می کنیم و در صورت لزوم مثال های متقابل برای نشان دادن محدودیت های مدل های مختلف ارائه می دهیم. علاوه بر این، ما در مورد یادگیری نیمه نظارتی برای روانشناسی شناختی بحث می کنیم. در نهایت، دیدگاه نظری یادگیری محاسباتی را در مورد یادگیری نیمه نظارتی ارائه می دهیم و کتاب را با بحث مختصری در مورد سؤالات باز در این زمینه به پایان می رسانیم. فهرست مطالب: مقدمه ای بر یادگیری ماشینی آماری / مروری بر یادگیری نیمه نظارتی / مدل های مخلوط و EM / آموزش مشترک / یادگیری نیمه نظارتی مبتنی بر نمودار / ماشین های بردار پشتیبان نیمه نظارت / یادگیری نیمه نظارت شده انسانی / تئوری و Outlook
توضیحاتی درمورد کتاب به خارجی
Semi-supervised learning is a learning paradigm concerned with the study of how computers and natural systems such as humans learn in the presence of both labeled and unlabeled data. Traditionally, learning has been studied either in the unsupervised paradigm (e.g., clustering, outlier detection) where all the data are unlabeled, or in the supervised paradigm (e.g., classification, regression) where all the data are labeled. The goal of semi-supervised learning is to understand how combining labeled and unlabeled data may change the learning behavior, and design algorithms that take advantage of such a combination. Semi-supervised learning is of great interest in machine learning and data mining because it can use readily available unlabeled data to improve supervised learning tasks when the labeled data are scarce or expensive. Semi-supervised learning also shows potential as a quantitative tool to understand human category learning, where most of the input is self-evidently unlabeled. In this introductory book, we present some popular semi-supervised learning models, including self-training, mixture models, co-training and multiview learning, graph-based methods, and semi-supervised support vector machines. For each model, we discuss its basic mathematical formulation. The success of semi-supervised learning depends critically on some underlying assumptions. We emphasize the assumptions made by each model and give counterexamples when appropriate to demonstrate the limitations of the different models. In addition, we discuss semi-supervised learning for cognitive psychology. Finally, we give a computational learning theoretic perspective on semi-supervised learning, and we conclude the book with a brief discussion of open questions in the field. Table of Contents: Introduction to Statistical Machine Learning / Overview of Semi-Supervised Learning / Mixture Models and EM / Co-Training / Graph-Based Semi-Supervised Learning / Semi-Supervised Support Vector Machines / Human Semi-Supervised Learning / Theory and Outlook
فهرست مطالب
Preface......Page 13
The Data......Page 15
Unsupervised Learning......Page 16
Supervised Learning......Page 17
Learning from Both Labeled and Unlabeled Data......Page 23
How is Semi-Supervised Learning Possible?......Page 25
Inductive vs. Transductive Semi-Supervised Learning......Page 26
Caveats......Page 27
Self-Training Models......Page 29
Mixture Models for Supervised Classification......Page 35
Mixture Models for Semi-Supervised Classification......Page 39
Optimization with the EM Algorithm*......Page 40
The Assumptions of Mixture Models......Page 42
Other Issues in Generative Models......Page 44
Cluster-then-Label Methods......Page 45
Two Views of an Instance......Page 49
Co-Training......Page 50
The Assumptions of Co-Training......Page 51
Multiview Learning*......Page 52
The Graph......Page 57
Mincut......Page 59
Harmonic Function......Page 60
Manifold Regularization*......Page 64
The Assumption of Graph-Based Methods*......Page 65
Support Vector Machines......Page 71
Semi-Supervised Support Vector Machines*......Page 75
Entropy Regularization*......Page 77
The Assumption of S3VMs and Entropy Regularization......Page 79
From Machine Learning to Cognitive Science......Page 83
Study One: Humans Learn from Unlabeled Test Data......Page 84
Study Two: Presence of Human Semi-Supervised Learning in a Simple Task......Page 86
Study Three: Absence of Human Semi-Supervised Learning in a Complex Task......Page 89
Discussions......Page 91
A Simple PAC Bound for Supervised Learning*......Page 93
A Simple PAC Bound for Semi-Supervised Learning*......Page 95
Future Directions of Semi-Supervised Learning......Page 97
Basic Mathematical Reference......Page 99
Semi-Supervised Learning Software......Page 103
Symbols......Page 107
Biography......Page 127
Index......Page 129
نظرات کاربران
کتاب های مرتبط
دانلود کتاب Advances in Chinese Spoken Language Processing
دانلود کتاب Data Mining with Decision Trees: Theory and Applications
دانلود کتاب Artificial Intelligence and Literary Creativity
دانلود کتاب Expression in Speech: Analysis and Synthesis
دانلود کتاب Text Generation. Using Discourse Strategies and Focus Constraints to Generate Natural Language Text
