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: Yunqian Ma, Yun Fu سری: ISBN (شابک) : 9781439871096, 1439871094 ناشر: سال نشر: 2011 تعداد صفحات: 322 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Manifold learning theory and applications 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 نظریه و کاربردهای یادگیری منیفولد 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.
مهندسان و دانشمندان که برای استخراج اطلاعات کاربردی از حجم زیادی از دادههای با ابعاد بالا آموزش دیدهاند، اغلب در جداسازی ساختارهای معنیدار کمبعدی که در مشاهدات با ابعاد بالا پنهان شدهاند، مشکل دارند. یادگیری چندگانه، تکنیکی پیشگامانه که برای مقابله با این مسائل کاهش ابعاد طراحی شده است، کاربرد گسترده ای در یادگیری ماشین، شبکه های عصبی، تشخیص الگو، پردازش تصویر و بینایی کامپیوتری پیدا می کند. با پر کردن خلاء در ادبیات، نظریه و کاربردهای یادگیری چندگانه، تکنیک های پیشرفته را در یادگیری چندگانه با یک برخورد نظری و عملی محکم از موضوع ترکیب می کند. این کار پیشگام که در پوشش خود جامع است، این روش جدید را از ایجاد الگوریتم تا اجرای موفقیتآمیز بررسی میکند - نمونههایی از کاربردها در پزشکی، بیومتریک، چندرسانهای و بینایی رایانه را ارائه میدهد. با تاکید بر پیاده سازی، جایگشت های مختلف یادگیری چندگانه در صنعت از جمله بهینه سازی چندگانه، یادگیری منیفولد در مقیاس بزرگ، برنامه ریزی نیمه معین برای جاسازی، مدل های منیفولد برای اکتساب سیگنال، فشرده سازی و پردازش، و منیفولد چند مقیاسی را برجسته می کند. این کتاب با مقدمهای بر نظریهها و کاربردهای یادگیری چندگانه آغاز میکند، این کتاب شامل بحثهایی درباره ارتباط با کاهش ابعاد غیرخطی، خوشهبندی، یادگیری زیرفضای مبتنی بر نمودار، یادگیری و تعبیه طیفی، توسعهها و مدلسازی چند چندگانه است. این دانش بین دامنهای را برای دستورالعملهای بینرشتهای همافزایی میکند، مجموعهای غنی از موضوعات تخصصی را ارائه میدهد که توسط متخصصان متخصص و محققان از زمینههای مختلف ارائه میشود. در نهایت، این کتاب الگوریتمها و روشهای خاصی را با استفاده از مطالعات موردی برای اعمال یادگیری چندگانه برای مسائل دنیای واقعی مورد بحث قرار میدهد.
Trained to extract actionable information from large volumes of high-dimensional data, engineers and scientists often have trouble isolating meaningful low-dimensional structures hidden in their high-dimensional observations. Manifold learning, a groundbreaking technique designed to tackle these issues of dimensionality reduction, finds widespread application in machine learning, neural networks, pattern recognition, image processing, and computer vision. Filling a void in the literature, Manifold Learning Theory and Applications incorporates state-of-the-art techniques in manifold learning with a solid theoretical and practical treatment of the subject. Comprehensive in its coverage, this pioneering work explores this novel modality from algorithm creation to successful implementation—offering examples of applications in medical, biometrics, multimedia, and computer vision. Emphasizing implementation, it highlights the various permutations of manifold learning in industry including manifold optimization, large scale manifold learning, semidefinite programming for embedding, manifold models for signal acquisition, compression and processing, and multi scale manifold. Beginning with an introduction to manifold learning theories and applications, the book includes discussions on the relevance to nonlinear dimensionality reduction, clustering, graph-based subspace learning, spectral learning and embedding, extensions, and multi-manifold modeling. It synergizes cross-domain knowledge for interdisciplinary instructions, offers a rich set of specialized topics contributed by expert professionals and researchers from a variety of fields. Finally, the book discusses specific algorithms and methodologies using case studies to apply manifold learning for real-world problems.
Title Page ......Page 4
Contents......Page 6
List of Figures......Page 12
List of Tables......Page 18
Preface......Page 20
Editors......Page 22
Contributors......Page 24
1. Spectral Embedding Methods for Manifold Learning......Page 26
2. Robust Laplacian Eigenmaps Using Global Information......Page 62
3. Density Preserving Maps......Page 82
4. Sample Complexity in Manifold Learning......Page 98
5. Manifold Alignment......Page 120
6. Large-Scale Manifold Learning......Page 146
7. Metric and Heat Kernel......Page 170
8. Discrete Ricci Flow for Surface and 3-Manifold......Page 192
9. 2D and 3D Objects Morphing Using Manifold Techniques......Page 234
10. Learning Image Manifolds from Local Features......Page 258
11. Human Motion Analysis Applications of Manifold Learning......Page 278