ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning in Computer Vision

دانلود کتاب یادگیری ماشین در چشم انداز کامپیوتر

Machine Learning in Computer Vision

مشخصات کتاب

Machine Learning in Computer Vision

دسته بندی: آموزشی
ویرایش: 1 
نویسندگان: , , ,   
سری: Computational Imaging and Vision 29 
ISBN (شابک) : 1402032749, 9781402032745 
ناشر: Springer Netherlands 
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

قیمت کتاب (تومان) : 33,000



کلمات کلیدی مربوط به کتاب یادگیری ماشین در چشم انداز کامپیوتر: تصویربرداری کامپیوتری، بینایی، تشخیص الگو و گرافیک، رابط های کاربری و تعامل انسان با کامپیوتر، سیستم های اطلاعات چند رسانه ای، احتمال و آمار در علوم کامپیوتر



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


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.


توضیحاتی در مورد کتاب یادگیری ماشین در چشم انداز کامپیوتر

هدف این کتاب پرداختن به استفاده از چندین تکنیک مهم یادگیری ماشین در کاربردهای 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. در این کتاب، ما به همه این جنبه های مهم از منظری جدید می پردازیم: اینکه عنصر کلیدی در انقلاب رایانه ای کنونی، استفاده از یادگیری ماشینی برای ثبت تغییرات در ظاهر بصری است، به جای داشتن طراح مدل انجام این کار به عنوان یک امتیاز، مدل‌هایی که از مجموعه داده‌های بزرگ به دست می‌آیند احتمالاً قوی‌تر و واقعی‌تر از مدل‌های تمام طراحی شکننده‌تر هستند. این کتاب برای محققان بینایی کامپیوتر، یادگیری ماشین و تشخیص الگو و همچنین برای دانشجویان کارشناسی ارشد علوم کامپیوتر و مهندسی برق در نظر گرفته شده است.


توضیحاتی درمورد کتاب به خارجی

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. This book is intended for computer vision, machine learning, and pattern recognition researchers as well as for graduate students in computer science and electrical engineering.



فهرست مطالب

Introduction....Pages 1-13
Theory: Probabilistic Classifiers....Pages 15-43
Theory: Generalization Bounds....Pages 45-64
Theory: Semi-Supervised Learning....Pages 65-101
Algorithm: Maximum Likelihood Minimum Entropy HMM....Pages 103-118
Algorithm: Margin Distribution Optimization....Pages 119-128
Algorithm: Learning the Structure of Bayesian Network Classifiers....Pages 129-156
Application: Office Activity Recognition....Pages 157-173
Application: Multimodal Event Detection....Pages 175-186
Application: Facial Expression Recognition....Pages 187-209
Application: Bayesian Network Classifiers for Face Detection....Pages 211-224




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی