Kernels for structured data

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: Thomas Gärtner  
سری: Series in machine perception and artificial intelligence 72 
ISBN (شابک) : 9812814558, 9789812814555 
ناشر: World Scientific 
سال نشر: 2008 
تعداد صفحات: 216 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

قیمت کتاب (تومان) : 47,000

این کتاب درمان منحصر به فردی از یک حوزه مهم از یادگیری ماشین ارائه می دهد و به این سوال پاسخ می دهد که چگونه روش های هسته را می توان برای داده های ساخت یافته اعمال کرد. روش‌های کرنل کلاسی از الگوریتم‌های یادگیری پیشرفته هستند که نتایج یادگیری عالی را در چندین حوزه کاربردی نشان می‌دهند. در ابتدا، روش‌های هسته با در نظر گرفتن داده‌هایی که به راحتی می‌توانند در فضای برداری اقلیدسی جاسازی شوند، توسعه داده شدند. بسیاری از داده های دنیای واقعی این ویژگی را ندارند، اما به طور ذاتی ساختار یافته اند. نمونه‌ای از چنین داده‌هایی که اغلب در کتاب مورد بررسی قرار می‌گیرد، ساختار نموداری (2 بعدی) مولکول‌ها است که توسط اتم‌ها و پیوندهایشان تشکیل شده‌اند. این کتاب خواننده را از اصول روش های هسته به الگوریتم های پیشرفته و طراحی هسته برای داده های ساختاریافته راهنمایی می کند. بنابراین برای خوانندگانی که به دنبال یک نقطه ورود به این حوزه هستند و همچنین محققان با تجربه مفید است.

مطالب: چرا هسته برای داده های ساختاریافته؟ روش های هسته به طور خلاصه. طراحی هسته؛ هسته های اصطلاح پایه; هسته های نمودار

This book provides a unique treatment of an important area of machine learning and answers the question of how kernel methods can be applied to structured data. Kernel methods are a class of state-of-the-art learning algorithms that exhibit excellent learning results in several application domains. Originally, kernel methods were developed with data in mind that can easily be embedded in a Euclidean vector space. Much real-world data does not have this property but is inherently structured. An example of such data, often consulted in the book, is the (2D) graph structure of molecules formed by their atoms and bonds. The book guides the reader from the basics of kernel methods to advanced algorithms and kernel design for structured data. It is thus useful for readers who seek an entry point into the field as well as experienced researchers.

Contents: Why Kernels for Structured Data?; Kernel Methods in a Nutshell; Kernell Design; Basic Term Kernels; Graph Kernels.