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: نویسندگان: Masashi Sugiyama, Motoaki Kawanabe 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
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.
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.
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.