Machine Learning for Audio, Image and Video Analysis: Theory and Applications

این نسخه دوم بر داده‌های صوتی، تصویری و ویدیویی تمرکز دارد، سه نوع اصلی ورودی که ماشین‌ها هنگام تعامل با دنیای واقعی با آن‌ها سروکار دارند. مجموعه ای از ضمائم مقدماتی مستقل در مورد پیشینه ریاضی لازم برای خواندن کتاب در اختیار خواننده قرار می دهد.
که به سه بخش اصلی تقسیم شده است، از ادراک تا محاسبه روش شناسی هایی را با هدف نمایش داده ها در کتاب معرفی می کند. فرم های مناسب برای پردازش کامپیوتری، به خصوص در مورد صدا و تصویر. در حالی که بخش دوم، یادگیری ماشین شامل یک مرور کلی از تکنیک های آماری با هدف پرداختن به سه مشکل اصلی است، یعنی طبقه بندی (تخصیص خودکار نمونه داده به یکی از کلاس های متعلق به یک مجموعه از پیش تعریف شده)، خوشه بندی ( گروه‌بندی خودکار نمونه‌های داده بر اساس شباهت ویژگی‌های آنها) و تجزیه و تحلیل توالی (نگاشت خودکار یک دنباله از مشاهدات به دنباله‌ای از نمادهای قابل درک برای انسان). بخش سوم برنامه ها نشان می دهد که چگونه مشکلات انتزاعی تعریف شده در بخش دوم زمینه ساز فناوری هایی هستند که قادر به انجام کارهای پیچیده مانند تشخیص حرکات دست یا رونویسی داده های دست نویس هستند.

< i>آموزش ماشینی برای تجزیه و تحلیل صوتی، تصویری و تصویری برای دانش‌آموزان مناسب است تا پیش‌زمینه‌ای قوی در یادگیری ماشین کسب کنند و همچنین برای تمرین‌کنندگان برای تعمیق دانش خود در مورد آخرین هنر. همه فصل‌های برنامه بر اساس داده‌های در دسترس عموم و بسته‌های نرم‌افزار رایگان هستند، بنابراین به خوانندگان اجازه می‌دهد آزمایش‌ها را تکرار کنند.

This second edition focuses on audio, image and video data, the three main types of input that machines deal with when interacting with the real world. A set of appendices provides the reader with self-contained introductions to the mathematical background necessary to read the book.
Divided into three main parts, From Perception to Computation introduces methodologies aimed at representing the data in forms suitable for computer processing, especially when it comes to audio and images. Whilst the second part, Machine Learning includes an extensive overview of statistical techniques aimed at addressing three main problems, namely classification (automatically assigning a data sample to one of the classes belonging to a predefined set), clustering (automatically grouping data samples according to the similarity of their properties) and sequence analysis (automatically mapping a sequence of observations into a sequence of human-understandable symbols). The third part Applications shows how the abstract problems defined in the second part underlie technologies capable to perform complex tasks such as the recognition of hand gestures or the transcription of handwritten data.

Machine Learning for Audio, Image and Video Analysis is suitable for students to acquire a solid background in machine learning as well as for practitioners to deepen their knowledge of the state-of-the-art. All application chapters are based on publicly available data and free software packages, thus allowing readers to replicate the experiments.