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: 1 نویسندگان: Vincent Michel, Alexandre Gramfort, Evelyn Eger, Gaël Varoquaux, Bertrand Thirion (auth.), Georg Langs, Irina Rish, Moritz Grosse-Wentrup, Brian Murphy (eds.) سری: Lecture Notes in Computer Science 7263 Lecture Notes in Artificial Intelligence ISBN (شابک) : 9783642347122, 9783642347139 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2012 تعداد صفحات: 277 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 22 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری ماشین و تفسیر در Neuroimaging: کارگاه بین المللی ، MLINI 2011 ، برگزار شده در NIPS 2011 ، سیرا نوادا ، اسپانیا ، 16-17 دسامبر ، 2011 ، بازبینی های انتخاب شده و دعوت شده: تصویربرداری کامپیوتری، بینایی، تشخیص الگو و گرافیک، تشخیص الگو، داده کاوی و کشف دانش، احتمال و آمار در علوم کامپیوتر، پردازش تصویر و بینایی کامپیوتر، برنامه های کاربردی کامپیوتر
در صورت تبدیل فایل کتاب Machine Learning and Interpretation in Neuroimaging: International Workshop, MLINI 2011, Held at NIPS 2011, Sierra Nevada, Spain, December 16-17, 2011, Revised Selected and Invited Contributions 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 یادگیری ماشین و تفسیر در Neuroimaging: کارگاه بین المللی ، MLINI 2011 ، برگزار شده در NIPS 2011 ، سیرا نوادا ، اسپانیا ، 16-17 دسامبر ، 2011 ، بازبینی های انتخاب شده و دعوت شده 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.
تصویربرداری از مغز فناوری، روششناسی، پرسشهای تحقیق و رویکردهای طیف گستردهای از زمینههای علمی از جمله فیزیک، آمار، علوم کامپیوتر، علوم اعصاب، زیستشناسی و مهندسی را گرد هم میآورد. بنابراین، پیشرفتهای روششناختی و فناوری که ما را قادر میسازد اندازهگیریها را به دست آوریم، روابط بین مشاهدات را بررسی کنیم و این دادهها را به فرضیههای علوم اعصاب مرتبط کنیم، در یک محیط بسیار بینرشتهای اتفاق میافتند. حوزه پویا یادگیری ماشین با رویکرد مدرن خود به داده کاوی، بسیاری از رویکردهای مرتبط را برای علوم اعصاب ارائه می دهد و امکان کاوش در سؤالات باز را فراهم می کند. این نظرسنجی پیشرفته مجموعهای از مقالات کارگاه یادگیری ماشین و تفسیر در تصویربرداری عصبی، MLINI 2011 را ارائه میدهد که در بیست و پنجمین کنفرانس سالانه پردازش اطلاعات عصبی، NIPS 2011، در سیرا نوادا، اسپانیا، در دسامبر 2011. علاوه بر این، سخنرانان دعوت شده موافقت کردند تا در بررسی جنبههای مختلف این حوزه مشارکت کنند و به حجم و وسعت و دیدگاه اضافه کنند. 32 مقاله اصلاح شده از بین 48 مقاله ارسالی به دقت انتخاب شدند. در رابط بین یادگیری ماشین و تصویربرداری عصبی، هدف این مقالات روشن کردن وضعیت هنر در این زمینه بینرشتهای است. آنها در بخشهای موضوعی در زمینه کدگذاری و رمزگشایی، علوم اعصاب، پویایی، اتصال، و مدلهای احتمالی و یادگیری ماشین سازماندهی شدهاند.
Brain imaging brings together the technology, methodology, research questions and approaches of a wide range of scientific fields including physics, statistics, computer science, neuroscience, biology, and engineering. Thus, methodological and technological advances that enable us to obtain measurements, examine relationships across observations, and link these data to neuroscientific hypotheses happen in a highly interdisciplinary environment. The dynamic field of machine learning with its modern approach to data mining provides many relevant approaches for neuroscience and enables the exploration of open questions. This state-of-the-art survey offers a collection of papers from the Workshop on Machine Learning and Interpretation in Neuroimaging, MLINI 2011, held at the 25th Annual Conference on Neural Information Processing, NIPS 2011, in the Sierra Nevada, Spain, in December 2011. Additionally, invited speakers agreed to contribute reviews on various aspects of the field, adding breadth and perspective to the volume. The 32 revised papers were carefully selected from 48 submissions. At the interface between machine learning and neuroimaging the papers aim at shedding some light on the state of the art in this interdisciplinary field. They are organized in topical sections on coding and decoding, neuroscience, dynamcis, connectivity, and probabilistic models and machine learning.
Front Matter....Pages -
A Comparative Study of Algorithms for Intra- and Inter-subjects fMRI Decoding....Pages 1-8
Beyond Brain Reading: Randomized Sparsity and Clustering to Simultaneously Predict and Identify....Pages 9-16
Searchlight Based Feature Extraction....Pages 17-25
Looking Outside the Searchlight....Pages 26-33
Population Codes Representing Musical Timbre for High-Level fMRI Categorization of Music Genres....Pages 34-41
Induction in Neuroscience with Classification: Issues and Solutions....Pages 42-50
A New Feature Selection Method Based on Stability Theory – Exploring Parameters Space to Evaluate Classification Accuracy in Neuroimaging Data....Pages 51-59
Identification of OCD-Relevant Brain Areas through Multivariate Feature Selection....Pages 60-67
Deformation-Invariant Sparse Coding for Modeling Spatial Variability of Functional Patterns in the Brain....Pages 68-75
Decoding Complex Cognitive States Online by Manifold Regularization in Real-Time fMRI....Pages 76-83
Modality Neutral Techniques for Brain Image Understanding....Pages 84-92
How Does the Brain Represent Visual Scenes? A Neuromagnetic Scene Categorization Study....Pages 93-100
Finding Consistencies in MEG Responses to Repeated Natural Speech....Pages 101-107
Categorized EEG Neurofeedback Performance Unveils Simultaneous fMRI Deep Brain Activation....Pages 108-115
Predicting Clinically Definite Multiple Sclerosis from Onset Using SVM....Pages 116-123
MKL-Based Sample Enrichment and Customized Outcomes Enable Smaller AD Clinical Trials....Pages 124-131
Pairwise Analysis for Longitudinal fMRI Studies....Pages 132-139
Non-separable Spatiotemporal Brain Hemodynamics Contain Neural Information....Pages 140-147
The Dynamic Beamformer....Pages 148-155
Covert Attention as a Paradigm for Subject-Independent Brain-Computer Interfacing....Pages 156-163
The Neural Dynamics of Visual Processing in Monkey Extrastriate Cortex: A Comparison between Univariate and Multivariate Techniques....Pages 164-171
Statistical Learning for Resting-State fMRI: Successes and Challenges....Pages 172-177
Relating Brain Functional Connectivity to Anatomical Connections: Model Selection....Pages 178-185
Information-Theoretic Connectivity-Based Cortex Parcellation....Pages 186-193
Inferring Brain Networks through Graphical Models with Hidden Variables....Pages 194-201
Pitfalls in EEG-Based Brain Effective Connectivity Analysis....Pages 202-209
Data-Driven Modeling of BOLD Drug Response Curves Using Gaussian Process Learning....Pages 210-217
Variational Bayesian Learning of Sparse Representations and Its Application in Functional Neuroimaging....Pages 218-225
Identification of Functional Clusters in the Striatum Using Infinite Relational Modeling....Pages 226-233
A Latent Feature Analysis of the Neural Representation of Conceptual Knowledge....Pages 234-241
Real-Time Functional MRI Classification of Brain States Using Markov-SVM Hybrid Models: Peering Inside the rt-fMRI Black Box....Pages 242-255
Restoring the Generalizability of SVM Based Decoding in High Dimensional Neuroimage Data....Pages 256-263
Back Matter....Pages -