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
دسته بندی: آموزشی ویرایش: 1 نویسندگان: Michele Maggiore سری: Computational Imaging and Vision ISBN (شابک) : 9780198520733, 0198520735 ناشر: Springer سال نشر: 2005 تعداد صفحات: 249 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Machine Learning in Computer Vision 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 چشم انداز کامپیوتر 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.
هدف این کتاب پرداختن به استفاده از چندین تکنیک مهم یادگیری ماشین در برنامه های بینایی کامپیوتر است. ترکیبی نوآورانه از تکنیکهای بینایی رایانه و یادگیری ماشین، نوید پیشرفت حوزه بینایی رایانه را میدهد که به درک بهتر برنامههای پیچیده دنیای واقعی کمک میکند. استفاده مؤثر از فناوری یادگیری ماشین در مسائل بینایی رایانه در دنیای واقعی مستلزم درک دامنه کاربرد، انتزاع یک مسئله یادگیری از یک کار بینایی رایانه ای معین، و انتخاب نمایش های مناسب برای یادگیری (ورودی) و آموخته شده (داخلی) است. موجودات سیستم.
در این کتاب، ما به تمام این جنبههای مهم از منظری جدید میپردازیم: اینکه عنصر کلیدی در انقلاب رایانهای کنونی، استفاده از یادگیری ماشین برای ثبت تغییرات در ظاهر بصری است. به جای اینکه طراح مدل این کار را انجام دهد. به عنوان یک امتیاز، مدلهایی که از مجموعه دادههای بزرگ به دست میآیند احتمالاً قویتر و واقعیتر از مدلهای تمام طراحی شکننده هستند.
The goal of this book is to address the use of several important machine learning techniques into computer vision applications. An innovative combination of computer vision and machine learning techniques has the promise of advancing the field of computer vision, which contributes to better understanding of complex real-world applications. The effective usage of machine learning technology in real-world computer vision problems requires understanding the domain of application, abstraction of a learning problem from a given computer vision task, and the selection of appropriate representations for the learnable (input) and learned (internal) entities of the system.
In this book, we address all these important aspects from a new perspective: that the key element in the current computer revolution is the use of machine learning to capture the variations in visual appearance, rather than having the designer of the model accomplish this. As a bonus, models learned from large datasets are likely to be more robust and more realistic than the brittle all-design models.