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 Non-Stationary Environments: Introduction to Covariate Shift Adaptation

دانلود کتاب یادگیری ماشینی در محیط های غیر ثابت: مقدمه ای بر سازگاری شیفت متغیر

Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation

مشخصات کتاب

Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation

ویرایش:  
نویسندگان: ,   
سری: Adaptive Computation and Machine Learning 
ISBN (شابک) : 0262017091, 9780262017091 
ناشر: The MIT Press 
سال نشر: 2012 
تعداد صفحات: 278 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 35 مگابایت 

قیمت کتاب (تومان) : 51,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation 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 ماشینی در محیط های غیر ثابت: مقدمه ای بر سازگاری شیفت متغیر 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 ماشینی در محیط های غیر ثابت: مقدمه ای بر سازگاری شیفت متغیر

نظریه، الگوریتم‌ها و کاربردهای تکنیک‌های یادگیری ماشین برای غلبه بر غیرایستایی "تغییر متغیر"

همانطور که قدرت محاسبات در چند دهه گذشته افزایش یافته است، این زمینه یادگیری ماشین هم در تئوری و هم در عمل به سرعت پیشرفت کرده است. روش‌های یادگیری ماشین معمولاً بر این فرض استوار است که مکانیسم تولید داده در طول زمان تغییر نمی‌کند. با این حال، کاربردهای واقعی یادگیری ماشین، از جمله تشخیص تصویر، پردازش زبان طبیعی، تشخیص گفتار، کنترل ربات، و بیوانفورماتیک، اغلب این فرض رایج را نقض می‌کنند. مواجهه با غیر ایستایی یکی از بزرگترین چالش های یادگیری ماشین مدرن است. این کتاب بر روی یک محیط غیر ثابت خاص به نام تغییر متغیر متمرکز است، که در آن توزیع ورودی‌ها (پرس و جوها) تغییر می‌کند اما توزیع شرطی خروجی‌ها (پاسخ‌ها) بدون تغییر است، و تئوری یادگیری ماشین، الگوریتم‌ها و کاربردهایی را برای غلبه بر این موضوع ارائه می‌کند. تنوع غیر ایستایی.

پس از بررسی تحقیقات پیشرفته در این زمینه، نویسندگان موضوعاتی را مورد بحث قرار می‌دهند که شامل یادگیری تحت تغییر متغیر، انتخاب مدل، تخمین اهمیت و یادگیری فعال است. آنها چنین کاربردهای دنیای واقعی انطباق تغییر متغیری را مانند رابط مغز و رایانه، شناسایی بلندگو و پیش‌بینی سن از روی تصاویر چهره توصیف می‌کنند. با این کتاب، آنها قصد دارند تحقیقات آینده در یادگیری ماشین، آمار و مهندسی را تشویق کنند که در تلاش برای ایجاد ماشین‌های یادگیری واقعا مستقل هستند که بتوانند در شرایط غیر ثابت یاد بگیرند.


توضیحاتی درمورد کتاب به خارجی

Theory, algorithms, and applications of machine learning techniques to overcome “covariate shift” non-stationarity.

As the power of computing has grown over the past few decades, the field of machine learning has advanced rapidly in both theory and practice. Machine learning methods are usually based on the assumption that the data generation mechanism does not change over time. Yet real-world applications of machine learning, including image recognition, natural language processing, speech recognition, robot control, and bioinformatics, often violate this common assumption. Dealing with non-stationarity is one of modern machine learning's greatest challenges. This book focuses on a specific non-stationary environment known as covariate shift, in which the distributions of inputs (queries) change but the conditional distribution of outputs (answers) is unchanged, and presents machine learning theory, algorithms, and applications to overcome this variety of non-stationarity.

After reviewing the state-of-the-art research in the field, the authors discuss topics that include learning under covariate shift, model selection, importance estimation, and active learning. They describe such real world applications of covariate shift adaption as brain-computer interface, speaker identification, and age prediction from facial images. With this book, they aim to encourage future research in machine learning, statistics, and engineering that strives to create truly autonomous learning machines able to learn under non-stationarity.





نظرات کاربران