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: Simone Marinai (auth.), Prof. Simone Marinai, Prof. Hiromichi Fujisawa (eds.) سری: Studies in Computational Intelligence 90 ISBN (شابک) : 9783540762799, 9783540762805 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2008 تعداد صفحات: 435 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب یادگیری ماشین در تجزیه و تحلیل و شناسایی اسناد: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Machine Learning in Document Analysis and Recognition 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 تجزیه و تحلیل و شناسایی اسناد 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 از تجزیه و تحلیل و تشخیص سند (DAR) شناسایی متن و اجزای گرافیکی یک سند و استخراج اطلاعات است. با اولین مقالاتی که به دهه 1960 برمیگردد، DAR یک تحقیق بالغ اما هنوز هم با تکنیکهای تلفیقی و شناختهشده است. موتورهای تشخیص کاراکتر نوری (OCR) برخی از شناختهشدهترین روشهای تحقیقاتی در این زمینه هستند، در حالی که امروزه تکنیکهای DAR گستردهتر مورد مطالعه قرار گرفته و در سایر سیستمهای اتوماسیون صنعتی و صنعتی به کار میروند. در جامعه یادگیری ماشینی، یکی از شناخته شدهترین مشکلات جستجو که در DAR به آن پرداخته شده است، شناسایی نویسههای دستنویس بدون محدودیت است که در گذشته بهطور مکرر به عنوان معیاری برای ارزیابی الگوریتمهای یادگیری ماشین، بهویژه طبقهبندیکنندههای نظارت شده استفاده میشده است. با این حال، توسعه یک سیستم DAR یک کار مهندسی پیچیده است که شامل ادغام چندین تکنیک در یک چارچوب ارگانیک است. یک خواننده ممکن است احساس کند که استفاده از الگوریتم های یادگیری ماشین برای سایر وظایف DAR به جز تشخیص کاراکتر مناسب نیست. در مقابل، چنین الگوریتم هایی به طور گسترده برای تقریباً تمام وظایف در DAR استفاده شده است. با تأکید زیادی که به تشخیص کاراکترها و تشخیص کلمات داده شده است، سایر وظایف مانند پیش پردازش، تجزیه و تحلیل طرحبندی، تقسیمبندی کاراکترها و تأیید امضا نیز از الگوریتمهای یادگیری ماشین بهره زیادی بردهاند.
The objective of Document Analysis and Recognition (DAR) is to recognize the text and graphicalcomponents of a document and to extract information. With ?rst papers dating back to the 1960’s, DAR is a mature but still gr- ing research?eld with consolidated and known techniques. Optical Character Recognition (OCR) engines are some of the most widely recognized pr- ucts of the research in this ?eld, while broader DAR techniques are nowadays studied and applied to other industrial and o?ce automation systems. In the machine learning community, one of the most widely known - search problems addressed in DAR is recognition of unconstrained handwr- ten characters which has been frequently used in the past as a benchmark for evaluating machine learning algorithms, especially supervised classi?ers. However, developing a DAR system is a complex engineering task that involves the integration of multiple techniques into an organic framework. A reader may feel that the use of machine learning algorithms is not approp- ate for other DAR tasks than character recognition. On the contrary, such algorithms have been massively used for nearly all the tasks in DAR. With large emphasis being devoted to character recognition and word recognition, other tasks such as pre-processing, layout analysis, character segmentation, and signature veri?cation have also bene?ted much from machine learning algorithms.
Front Matter....Pages I-XI
Introduction to Document Analysis and Recognition....Pages 1-20
Structure Extraction in Printed Documents Using Neural Approaches....Pages 21-43
Machine Learning for Reading Order Detection in Document Image Understanding....Pages 45-69
Decision-Based Specification and Comparison of Table Recognition Algorithms....Pages 71-103
Machine Learning for Digital Document Processing: from Layout Analysis to Metadata Extraction....Pages 105-138
Classification and Learning Methods for Character Recognition: Advances and Remaining Problems....Pages 139-161
Combining Classifiers with Informational Confidence....Pages 163-191
Self-Organizing Maps for Clustering in Document Image Analysis....Pages 193-219
Adaptive and Interactive Approaches to Document Analysis....Pages 221-257
Cursive Character Segmentation Using Neural Network Techniques....Pages 259-275
Multiple Hypotheses Document Analysis....Pages 277-303
Learning Matching Score Dependencies for Classifier Combination....Pages 305-332
Perturbation Models for Generating Synthetic Training Data in Handwriting Recognition....Pages 333-360
Review of Classifier Combination Methods....Pages 361-386
Machine Learning for Signature Verification....Pages 387-408
Off-line Writer Identification and Verification Using Gaussian Mixture Models....Pages 409-428
Back Matter....Pages 429-433