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: Mansour Eddaly, Bassem Jarboui, Patrick Siarry سری: ISBN (شابک) : 9789811938870, 9789811938887 ناشر: Springer سال نشر: 2023 تعداد صفحات: 223 [231] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Metaheuristics for Machine Learning: New Advances and Tools 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 فراابتکاری برای یادگیری ماشین: پیشرفتها و ابزارهای جدید 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.
استفاده از فراابتکاری برای تقویت تکنیک های یادگیری ماشین مرسوم شده است و به موفقیت های بزرگی در مسائل نظارت شده (طبقه بندی و رگرسیون) و بدون نظارت (خوشه بندی و استخراج قانون) دست یافته است. علاوه بر این، تولید خودکار برنامه ها از طریق فراابتکاری، به عنوان شکلی از محاسبات تکاملی و هوش ازدحامی، اکنون محبوبیت گسترده ای به دست آورده است. این کتاب راههای مختلف ادغام فراابتکاری در تکنیکهای یادگیری ماشین را از منظر نظری و عملی بررسی میکند. این بررسی میکند که چگونه فراابتکاری میتواند برای تقویت ابزارهای یادگیری ماشین تطبیق داده شود و مروری بر روشهای اصلی برنامهنویسی فراابتکاری ارائه میکند. علاوه بر این، برنامه های کاربردی دنیای واقعی برای تصویرسازی ارائه شده است، به عنوان مثال، در خوشه بندی، داده های بزرگ، نظارت بر سلامت ماشین، اهداف سونار زیر آب، و بانکداری.
Using metaheuristics to enhance machine learning techniques has become trendy and has achieved major successes in both supervised (classification and regression) and unsupervised (clustering and rule mining) problems. Furthermore, automatically generating programs via metaheuristics, as a form of evolutionary computation and swarm intelligence, has now gained widespread popularity. This book investigates different ways of integrating metaheuristics into machine learning techniques, from both theoretical and practical standpoints. It explores how metaheuristics can be adapted in order to enhance machine learning tools and presents an overview of the main metaheuristic programming methods. Moreover, real-world applications are provided for illustration, e.g., in clustering, big data, machine health monitoring, underwater sonar targets, and banking.