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: Thiago Christiano Silva. Liang Zhao
سری:
ISBN (شابک) : 3319172891, 9783319172897
ناشر: Springer
سال نشر: 2016
تعداد صفحات: 345
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری ماشین در شبکه های پیچیده: هوش معنایی هوش مصنوعی یادگیری ماشینی علوم کامپیوتر فناوری چشم انداز الگوی تشخیص داده کاوی پایگاه داده سیستم های بزرگ نظریه فیزیک ریاضی مصنوعی کتاب های درسی اجاره ای جدید استفاده شده کتاب های درسی تخصصی بوتیک پایگاه داده ذخیره سازی طراحی ریاضیات کشاورزی نجوم اخترفیزیک زیست شناسی زیست شناسی علوم زیست محیطی محیط زیست محیط زیست
در صورت تبدیل فایل کتاب Machine Learning in Complex Networks 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 در شبکه های پیچیده 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 کتاب ویژگی ها و مزایای ارائه شده توسط شبکه های پیچیده در حوزه یادگیری ماشین را ارائه می دهد. در بخش اول، مروری بر شبکههای پیچیده و یادگیری ماشین مبتنی بر شبکه ارائه میشود که مطالب پسزمینه لازم را ارائه میدهد. در بخش دوم، برخی از تکنیک های خاص مبتنی بر شبکه های پیچیده برای یادگیری تحت نظارت، بدون نظارت و نیمه نظارت را با جزئیات شرح می دهیم. به ویژه، یک تکنیک رقابت ذرات تصادفی برای یادگیری بدون نظارت و نیمه نظارت با استفاده از یک سیستم دینامیکی غیرخطی تصادفی با جزئیات شرح داده شده است. علاوه بر این، یک تحلیل تحلیلی ارائه شده است که فرد را قادر میسازد تا رفتار تکنیک پیشنهادی را پیشبینی کند. علاوه بر این، مسائل مربوط به قابلیت اطمینان داده ها در یادگیری نیمه نظارتی بررسی می شود. چنین موضوعی اهمیت عملی دارد و اغلب در ادبیات یافت نمی شود. با هدف اعتبارسنجی این تکنیک ها برای حل مسائل واقعی، شبیه سازی ها بر روی پایگاه های داده به طور گسترده پذیرفته شده انجام می شود. هنوز در این کتاب، ما یک تکنیک طبقهبندی نظارت شده ترکیبی را ارائه میدهیم که هم درجات کم و هم زیاد یادگیری را ترکیب میکند. اصطلاح سطح پایین را می توان با هر تکنیک طبقه بندی پیاده سازی کرد، در حالی که اصطلاح سطح بالا با استخراج ویژگی های شبکه زیربنایی ساخته شده از داده های ورودی تحقق می یابد. بنابراین، اولی نمونههای تست را بر اساس ویژگیهای فیزیکی آنها طبقهبندی میکند، در حالی که دومی انطباق نمونههای آزمایشی را با شکلگیری الگوی دادهها اندازهگیری میکند. ما نشان میدهیم که تکنیک سطح بالا میتواند طبقهبندی را با توجه به معنای معنایی دادهها محقق کند. این کتاب قصد دارد دو حوزه تحقیقاتی مورد مطالعه گسترده، یادگیری ماشین و شبکههای پیچیده را ترکیب کند که به نوبه خود علایق گستردهای را برای جامعه علمی، عمدتاً به حوزههای علوم کامپیوتر و مهندسی ایجاد میکند.
This book presents the features and advantages offered by complex networks in the machine learning domain. In the first part, an overview on complex networks and network-based machine learning is presented, offering necessary background material. In the second part, we describe in details some specific techniques based on complex networks for supervised, non-supervised, and semi-supervised learning. Particularly, a stochastic particle competition technique for both non-supervised and semi-supervised learning using a stochastic nonlinear dynamical system is described in details. Moreover, an analytical analysis is supplied, which enables one to predict the behavior of the proposed technique. In addition, data reliability issues are explored in semi-supervised learning. Such matter has practical importance and is not often found in the literature. With the goal of validating these techniques for solving real problems, simulations on broadly accepted databases are conducted. Still in this book, we present a hybrid supervised classification technique that combines both low and high orders of learning. The low level term can be implemented by any classification technique, while the high level term is realized by the extraction of features of the underlying network constructed from the input data. Thus, the former classifies the test instances by their physical features, while the latter measures the compliance of the test instances with the pattern formation of the data. We show that the high level technique can realize classification according to the semantic meaning of the data. This book intends to combine two widely studied research areas, machine learning and complex networks, which in turn will generate broad interests to scientific community, mainly to computer science and engineering areas.
Front Matter....Pages i-xviii
Introduction....Pages 1-13
Complex Networks....Pages 15-70
Machine Learning....Pages 71-91
Network Construction Techniques....Pages 93-132
Network-Based Supervised Learning....Pages 133-141
Network-Based Unsupervised Learning....Pages 143-180
Network-Based Semi-Supervised Learning....Pages 181-205
Case Study of Network-Based Supervised Learning: High-Level Data Classification....Pages 207-240
Case Study of Network-Based Unsupervised Learning: Stochastic Competitive Learning in Networks....Pages 241-290
Case Study of Network-Based Semi-Supervised Learning: Stochastic Competitive-Cooperative Learning in Networks....Pages 291-321
Back Matter....Pages 323-331