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