مشخصات کتاب

Metric learning

ویرایش:  
نویسندگان: Bellet A  
سری:  
ISBN (شابک) : 9781627053655, 9781627053662 
ناشر: Morgan 
سال نشر: 2015 
تعداد صفحات: 153 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

در صورت تبدیل فایل کتاب Metric learning 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 متریک 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 متریک

شباهت بین اشیا هم در فرآیندهای شناختی انسان و هم در سیستم های مصنوعی برای تشخیص و طبقه بندی نقش مهمی دارد. نحوه اندازه‌گیری مناسب چنین شباهت‌هایی برای یک کار مشخص برای عملکرد بسیاری از روش‌های یادگیری ماشین، تشخیص الگو و داده‌کاوی بسیار مهم است. این کتاب به یادگیری متریک اختصاص دارد، مجموعه‌ای از تکنیک‌ها برای یادگیری خودکار توابع شباهت و فاصله از داده‌ها که در ده سال گذشته علاقه زیادی را به یادگیری ماشین و زمینه‌های مرتبط به خود جلب کرده است. در این کتاب، ما یک بررسی کامل از ادبیات یادگیری متریک ارائه می‌کنیم که الگوریتم‌ها، نظریه‌ها و کاربردها را برای داده‌های عددی و ساختاری پوشش می‌دهد. ابتدا تعاریف مرتبط و توابع متریک کلاسیک و همچنین نمونه‌هایی از کاربرد آنها در یادگیری ماشین و داده کاوی را معرفی می‌کنیم. سپس طیف گسترده‌ای از الگوریتم‌های یادگیری متریک را بررسی می‌کنیم، که با تنظیم ساده فاصله خطی و یادگیری شباهت شروع می‌شود. ما نشان می‌دهیم که چگونه می‌توان این روش‌ها را به مقادیر بسیار زیادی از داده‌های آموزشی افزایش داد. برای فراتر رفتن از حالت خطی، روش‌هایی را مورد بحث قرار می‌دهیم که معیارهای غیرخطی یا معیارهای خطی چندگانه را در فضای ویژگی یاد می‌گیرند، و روش‌هایی را برای تنظیمات پیچیده‌تر مانند یادگیری چند کاره و نیمه نظارتی بررسی می‌کنیم. اگرچه بیشتر کارهای موجود بر روی داده‌های عددی متمرکز شده‌اند، ما ادبیات مربوط به یادگیری متریک را برای داده‌های ساختاریافته مانند رشته‌ها، درختان، نمودارها و سری‌های زمانی پوشش می‌دهیم. در بخش فنی‌تر کتاب، برخی از چارچوب‌های آماری اخیر را برای تحلیل عملکرد تعمیم در یادگیری متریک ارائه می‌کنیم و نتایجی را برای برخی از الگوریتم‌های ارائه‌شده قبلاً استخراج می‌کنیم. در نهایت، ما ارتباط یادگیری متریک را در مسائل دنیای واقعی از طریق یک سری کاربردهای موفق در بینایی کامپیوتر، بیوانفورماتیک و بازیابی اطلاعات نشان می‌دهیم.

توضیحاتی درمورد کتاب به خارجی

Similarity between objects plays an important role in both human cognitive processes and artificial systems for recognition and categorization. How to appropriately measure such similarities for a given task is crucial to the performance of many machine learning, pattern recognition and data mining methods. This book is devoted to metric learning, a set of techniques to automatically learn similarity and distance functions from data that has attracted a lot of interest in machine learning and related fields in the past ten years. In this book, we provide a thorough review of the metric learning literature that covers algorithms, theory and applications for both numerical and structured data. We first introduce relevant definitions and classic metric functions, as well as examples of their use in machine learning and data mining. We then review a wide range of metric learning algorithms, starting with the simple setting of linear distance and similarity learning. We show how one may scale-up these methods to very large amounts of training data. To go beyond the linear case, we discuss methods that learn nonlinear metrics or multiple linear metrics throughout the feature space, and review methods for more complex settings such as multi-task and semi-supervised learning. Although most of the existing work has focused on numerical data, we cover the literature on metric learning for structured data like strings, trees, graphs and time series. In the more technical part of the book, we present some recent statistical frameworks for analyzing the generalization performance in metric learning and derive results for some of the algorithms presented earlier. Finally, we illustrate the relevance of metric learning in real-world problems through a series of successful applications to computer vision, bioinformatics and information retrieval.

فهرست مطالب

Introduction......Page 15
 Related Topics......Page 16
 Prerequisites and Notations......Page 17
 Outline......Page 18
 General Definitions......Page 21
 Commonly Used Metrics......Page 22
 Metrics in Machine Learning and Data Mining......Page 28
Properties of Metric Learning Algorithms......Page 31
 Mahalanobis Distance Learning......Page 33
 Linear Similarity Learning......Page 40
 Large-Scale Metric Learning......Page 42
 Nonlinear Methods......Page 47
 Learning Multiple Local Metrics......Page 51
 Multi-Task and Transfer Learning......Page 57
 Learning to Rank......Page 60
 Semi-Supervised Learning......Page 61
 Histogram Data......Page 64
 String Edit Distance Learning......Page 67
 Metric Learning for Time Series......Page 72
 Overview of Existing Work......Page 75
 Consistency Bounds for Metric Learning......Page 77
 Guarantees on Classification Performance......Page 89
 Computer Vision......Page 99
 Bioinformatics......Page 106
 Information Retrieval......Page 109
 Outlook......Page 113
 Uniform Stability......Page 117
 Algorithmic Robustness......Page 122
 Similarity-based Linear Classifiers......Page 126
Bibliography......Page 129
Authors' Biographies......Page 153

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Technology and the Ontology of the Virtual - Oxford Handbooks

دانلود کتاب The U.S. Government Response to Terrorism: In Search of an Effective Strategy

دانلود کتاب Pájaros del bosque (II)

دانلود کتاب Strategic Execution: Driving Breakthrough Performance in Business

دانلود کتاب Following the Leader: Ruling China, from Deng Xiaoping to Xi Jinping