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: Softcover reprint of the original 1st ed. 1988
نویسندگان: Philip D. Laird
سری: Kluwer International Series in Engineering and Computer Sciences Knowledge Representation Learning and Expert Systems 47
ISBN (شابک) : 1461289513, 1461316855
ناشر: Springer US;Springer;Kluwer
سال نشر: 1988
تعداد صفحات: 223
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب درس گرفتن از داده های خوب و بد: علوم کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Learning from Good and Bad Data 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 درس گرفتن از داده های خوب و بد 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 تک نگاری کمکی به مطالعه مشکل شناسایی است: مشکل شناسایی یک مورد از یک طبقه شناخته شده با استفاده از مثال های مثبت و منفی. این مسئله جزء مهمی از فرآیند یادگیری استقرایی در نظر گرفته می شود و به همین دلیل به طور گسترده مورد مطالعه قرار گرفته است. در نمای کلی، ما اهداف این کار و جایگاه آن را در ساختار کلی تحقیق یادگیری توضیح خواهیم داد. متن نوشته. یادگیری به اشکال مختلف رخ می دهد. تنها شکلی که در اینجا به آن می پردازیم، یادگیری استقرایی است که تقریباً به عنوان فرآیند شکل گیری مفاهیم کلی از مثال های خاص مشخص می شود. علوم کامپیوتر سه رویکرد اساسی برای این مشکل پیدا کرده است: • یک کار یادگیری خاص، احتمالاً بخشی از یک کار بزرگتر را انتخاب کنید، و یک برنامه کامپیوتری برای حل آن کار بسازید. • الگوهای شناختی یادگیری را در انسان مطالعه کنید و از آنها اصول کلی را برای توضیح رفتار یادگیری استخراج کنید. سپس برنامه های ماشینی را برای آزمایش و نشان دادن این مدل ها بسازید. xi Xll مقدمه • یک تئوری ریاضی برای به دست آوردن ویژگی های کلیدی فرآیند استقرا فرموله کنید. این اثر در دسته سوم قرار دارد. مطالعات مختلف یادگیری از نمونههای آموزشی (دادهها) به روشهای مختلف استفاده میکنند. سه مورد اصلی عبارتند از: • یادگیری مبتنی بر شباهت (یا تجربی)، که در آن مجموعهای از مثالها برای انتخاب توضیح از یک کلاس از قوانین ممکن استفاده میشود.
This monograph is a contribution to the study of the identification problem: the problem of identifying an item from a known class us ing positive and negative examples. This problem is considered to be an important component of the process of inductive learning, and as such has been studied extensively. In the overview we shall explain the objectives of this work and its place in the overall fabric of learning research. Context. Learning occurs in many forms; the only form we are treat ing here is inductive learning, roughly characterized as the process of forming general concepts from specific examples. Computer Science has found three basic approaches to this problem: • Select a specific learning task, possibly part of a larger task, and construct a computer program to solve that task . • Study cognitive models of learning in humans and extrapolate from them general principles to explain learning behavior. Then construct machine programs to test and illustrate these models. xi Xll PREFACE • Formulate a mathematical theory to capture key features of the induction process. This work belongs to the third category. The various studies of learning utilize training examples (data) in different ways. The three principal ones are: • Similarity-based (or empirical) learning, in which a collection of examples is used to select an explanation from a class of possible rules
Front Matter....Pages i-xviii
Front Matter....Pages 1-1
The Identification Problem....Pages 3-26
Identification by Refinement....Pages 27-53
How to Work With Refinements....Pages 55-109
Front Matter....Pages 111-111
Probabilistic Approximate Identification....Pages 113-134
Identification from Noisy Examples....Pages 135-195
Conclusions....Pages 197-200
Back Matter....Pages 201-211