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 Meta-Learning in Decision Tree Induction

دانلود کتاب یادگیری متا در القاء درخت تصمیم گیری

Meta-Learning in Decision Tree Induction

مشخصات کتاب

Meta-Learning in Decision Tree Induction

ویرایش: 1 
نویسندگان:   
سری: Studies in Computational Intelligence 498 
ISBN (شابک) : 9783319009599, 9783319009605 
ناشر: Springer International Publishing 
سال نشر: 2014 
تعداد صفحات: 349 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 28,000



کلمات کلیدی مربوط به کتاب یادگیری متا در القاء درخت تصمیم گیری: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 25


در صورت تبدیل فایل کتاب Meta-Learning in Decision Tree Induction 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 متا در القاء درخت تصمیم گیری 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 متا در القاء درخت تصمیم گیری



این کتاب بر انواع مختلف القای درخت تصمیم تمرکز می‌کند، اما رویکرد فرا یادگیری را به طور کلی توصیف می‌کند که برای انواع دیگر الگوریتم‌های یادگیری ماشین قابل استفاده است. این کتاب انواع مختلف القای درخت تصمیم را مورد بحث قرار می دهد و منبع مفیدی از اطلاعات را برای خوانندگانی که مایل به بررسی برخی از تکنیک های مورد استفاده در یادگیری درخت تصمیم هستند، و همچنین روش های مجموعه متفاوتی که شامل درخت های تصمیم است، نشان می دهد. نشان داده شده است که دانش اجزای مختلف مورد استفاده در یادگیری درخت تصمیم باید سیستماتیک شود تا سیستم را قادر سازد تا انواع مختلف الگوریتم های یادگیری ماشین را با هدف شناسایی بالاترین عملکردها یا بالقوه بهترین آنها تولید و ارزیابی کند. یک دیدگاه یکپارچه از یادگیری درخت تصمیم، به سادگی با تنظیم پارامترهای خاص، الگوریتم های درخت تصمیم گیری مختلف را شبیه سازی می کند. از آنجایی که فرایادگیری نیازمند اجرای بسیاری از فرآیندهای مختلف با هدف به دست آوردن نتایج عملکرد است، شرح مفصلی از روش شناسی تجربی و چارچوب ارزیابی ارائه شده است. فرا یادگیری در نیمه دوم کتاب به تفصیل مورد بحث قرار گرفته است. این نمایشگاه با ارائه یک بررسی جامع از بسیاری از رویکردهای فرا یادگیری که در گذشته در ادبیات شرح داده شده است، از جمله رویکردهایی که رتبه‌بندی الگوریتم‌ها را ارائه می‌کنند، آغاز می‌شود. رویکرد توصیف شده می‌تواند به کارهای دیگری مرتبط باشد که از برنامه‌ریزی استفاده می‌کنند و هدف آن ایجاد گردش‌های کاری داده کاوی است. این کتاب تبادل ایده‌ها را بین رویکردهای مختلف، هرچند مرتبط، تحریک می‌کند.


توضیحاتی درمورد کتاب به خارجی

The book focuses on different variants of decision tree induction but also describes the meta-learning approach in general which is applicable to other types of machine learning algorithms. The book discusses different variants of decision tree induction and represents a useful source of information to readers wishing to review some of the techniques used in decision tree learning, as well as different ensemble methods that involve decision trees. It is shown that the knowledge of different components used within decision tree learning needs to be systematized to enable the system to generate and evaluate different variants of machine learning algorithms with the aim of identifying the top-most performers or potentially the best one. A unified view of decision tree learning enables to emulate different decision tree algorithms simply by setting certain parameters. As meta-learning requires running many different processes with the aim of obtaining performance results, a detailed description of the experimental methodology and evaluation framework is provided. Meta-learning is discussed in great detail in the second half of the book. The exposition starts by presenting a comprehensive review of many meta-learning approaches explored in the past described in literature, including for instance approaches that provide a ranking of algorithms. The approach described can be related to other work that exploits planning whose aim is to construct data mining workflows. The book stimulates interchange of ideas between different, albeit related, approaches.



فهرست مطالب

Front Matter....Pages i-xvi
Introduction....Pages 1-9
Techniques of Decision Tree Induction....Pages 11-117
Unified View of Decision Tree Induction Algorithms....Pages 119-137
Intemi: Advanced Meta-Learning Framework....Pages 139-181
Meta-Level Analysis of Decision Tree Induction....Pages 183-231
Meta-Learning....Pages 233-317
Future Perspectives of Meta-Learning....Pages 319-323
Back Matter....Pages 325-343




نظرات کاربران