Machine Intelligence and Signal Processing

این کتاب شامل فصل‌هایی درباره مشکلات کلیدی در عرصه‌های یادگیری ماشین و پردازش سیگنال است. مطالب کتاب حاصل کارگاه آموزشی هوش ماشینی و پردازش سیگنال در سال 2014 است که در موسسه فناوری اطلاعات ایندراپراستا برگزار شد. به طور سنتی، پردازش سیگنال و یادگیری ماشین به عنوان حوزه های جداگانه تحقیق در نظر گرفته می شد. با این حال در زمان های اخیر این دو جامعه نزدیک تر شده اند. پردازش سیگنال به روشی بسیار انتزاعی، مطالعه طراحی اپراتور است. کمک های پردازش سیگنال به اپراتورهای دستگاه برای بازسازی، فشرده سازی و غیره بوده است. ریاضیدانان کاربردی بیشتر به تجزیه و تحلیل اپراتور علاقه مند بودند. امروزه تحقیقات پردازش سیگنال به سمت یادگیری اپراتورها گرایش پیدا کرده است - به جای طراحی اپراتورها بر اساس اکتشافی (به عنوان مثال موجک)، روند یادگیری این عملگرها (به عنوان مثال یادگیری فرهنگ لغت) است. و بنابراین، شکاف بین پردازش سیگنال و یادگیری ماشین به سرعت در حال همگرایی است. کارگاه آموزشی هوش ماشینی و پردازش سیگنال در سال 2014 یکی از معدود رویدادهای منحصر به فردی بود که بر روی همگرایی این دو حوزه متمرکز شده است. این کتاب از فصول بر اساس ارائه های برتر در کارگاه تشکیل شده است. این کتاب دارای سه فصل در مورد موضوعات مختلف بیومتریک است - دو فصل در مورد تشخیص چهره و یکی در مورد تشخیص عنبیه است. همه از محققان برتر در زمینه خود. چهار فصل در مورد مشکلات مختلف پردازش سیگنال / تصویر زیست پزشکی وجود دارد. دو مورد از آنها در طبقه بندی عروق شبکیه و استخراج هستند. یکی در مورد کسب سیگنال زیست پزشکی و دیگری در مورد تشخیص منطقه. سه فصل در مورد تجزیه و تحلیل داده ها وجود دارد - موضوعی که در صنعت و دانشگاه محبوبیت زیادی پیدا می کند. یکی از اینها استفاده جدیدی از حسگر فشرده در درونیابی داده های فروش گمشده را نشان می دهد. فصل دیگر مربوط به تشخیص هرزنامه و فصل سوم مربوط به پیش‌بینی ساده رتبه‌بندی فیلم است. چهار فصل دیگر موضوعات مختلف پیشرو در تشخیص کاراکتر، پیش‌بینی تلاش نرم‌افزار، تشخیص گفتار و بازیابی پراکنده غیرخطی را پوشش می‌دهد. محتویات این کتاب برای محققان، متخصصان و دانشجویان در حوزه‌های یادگیری ماشین و پردازش سیگنال مفید خواهد بود.

This book comprises chapters on key problems in machine learning and signal processing arenas. The contents of the book are a result of a 2014 Workshop on Machine Intelligence and Signal Processing held at the Indraprastha Institute of Information Technology. Traditionally, signal processing and machine learning were considered to be separate areas of research. However in recent times the two communities are getting closer. In a very abstract fashion, signal processing is the study of operator design. The contributions of signal processing had been to device operators for restoration, compression, etc. Applied Mathematicians were more interested in operator analysis. Nowadays signal processing research is gravitating towards operator learning – instead of designing operators based on heuristics (for example wavelets), the trend is to learn these operators (for example dictionary learning). And thus, the gap between signal processing and machine learning is fast converging. The 2014 Workshop on Machine Intelligence and Signal Processing was one of the few unique events that are focused on the convergence of the two fields. The book is comprised of chapters based on the top presentations at the workshop. This book has three chapters on various topics of biometrics – two are on face detection and one on iris recognition; all from top researchers in their field. There are four chapters on different biomedical signal / image processing problems. Two of these are on retinal vessel classification and extraction; one on biomedical signal acquisition and the fourth one on region detection. There are three chapters on data analysis – a topic gaining immense popularity in industry and academia. One of these shows a novel use of compressed sensing in missing sales data interpolation. Another chapter is on spam detection and the third one is on simple one-shot movie rating prediction. Four other chapters cover various cutting edge miscellaneous topics on character recognition, software effort prediction, speech recognition and non-linear sparse recovery. The contents of this book will prove useful to researchers, professionals and students in the domains of machine learning and signal processing.