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 Multi-Label Dimensionality Reduction

دانلود کتاب کاهش ابعاد چند برچسبی

مشخصات کتاب

Multi-Label Dimensionality Reduction

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 0 
نویسندگان: Liang Sun,  Shuiwang Ji,  Jieping Ye  
سری: Chapman & Hall/CRC Machine Learning & Pattern Recognition 
ISBN (شابک) : 9781439806166, 9781439806159 
ناشر: Chapman and Hall/CRC 
سال نشر: 2013 
تعداد صفحات: 206 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 39,000

کلمات کلیدی مربوط به کتاب کاهش ابعاد چند برچسبی: علوم و مهندسی کامپیوتر، هوش مصنوعی، داده کاوی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 12

در صورت تبدیل فایل کتاب Multi-Label Dimensionality Reduction 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 کاهش ابعاد چند برچسبی 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 کاهش ابعاد چند برچسبی

مانند سایر وظایف داده کاوی و یادگیری ماشینی، یادگیری چند برچسبی از ابعاد رنج می برد. یک راه موثر برای کاهش این مشکل از طریق کاهش ابعاد است که تعداد کمی از ویژگی ها را با حذف اطلاعات نامربوط، زائد و پر سر و صدا استخراج می کند. ادبیات داده کاوی و یادگیری ماشین در حال حاضر فاقد یک درمان یکپارچه برای کاهش ابعاد چند برچسبی است که هم پیشرفت‌ها و هم برنامه‌های الگوریتمی را در بر می‌گیرد.

در پاسخ به این کمبود، کاهش ابعاد چند برچسب تحولات روش شناختی، ویژگی های نظری، جنبه های محاسباتی، و کاربردهای بسیاری از کاهش ابعاد چند برچسبی را پوشش می دهد. الگوریتم ها این پرسش‌های تحقیقاتی متعددی را بررسی می‌کند، از جمله:

چگونه به طور کامل از همبستگی‌های برچسب برای کاهش موثر ابعاد استفاده کنیم

نحوه مقیاس بندی الگوریتم های کاهش ابعاد به مسائل بزرگ مقیاس

چگونه کاهش ابعاد را به طور موثر با طبقه بندی ترکیب کنیم
< EM>نحوه استخراج الگوریتم‌های کاهش ابعاد پراکنده برای افزایش تفسیرپذیری مدل
چگونه کاهش ابعاد چند برچسبی را به طور موثر در کاربردهای عملی انجام دهیم

نویسندگان بر کار گسترده خود بر روی کاهش ابعاد برای یادگیری چند برچسبی تاکید دارند. آنها با استفاده از مطالعه موردی حاشیه‌نویسی تصویر الگوی بیان ژن Drosophila، نحوه اعمال الگوریتم‌های کاهش ابعاد چند برچسبی را برای حل مسائل دنیای واقعی نشان می‌دهند. یک وب سایت تکمیلی یک بسته MATLAB^® برای پیاده سازی الگوریتم های کاهش ابعاد محبوب ارائه می دهد.

توضیحاتی درمورد کتاب به خارجی

Similar to other data mining and machine learning tasks, multi-label learning suffers from dimensionality. An effective way to mitigate this problem is through dimensionality reduction, which extracts a small number of features by removing irrelevant, redundant, and noisy information. The data mining and machine learning literature currently lacks a unified treatment of multi-label dimensionality reduction that incorporates both algorithmic developments and applications.

Addressing this shortfall, Multi-Label Dimensionality Reduction covers the methodological developments, theoretical properties, computational aspects, and applications of many multi-label dimensionality reduction algorithms. It explores numerous research questions, including:

How to fully exploit label correlations for effective dimensionality reduction
How to scale dimensionality reduction algorithms to large-scale problems
How to effectively combine dimensionality reduction with classification
How to derive sparse dimensionality reduction algorithms to enhance model interpretability
How to perform multi-label dimensionality reduction effectively in practical applications

The authors emphasize their extensive work on dimensionality reduction for multi-label learning. Using a case study of Drosophila gene expression pattern image annotation, they demonstrate how to apply multi-label dimensionality reduction algorithms to solve real-world problems. A supplementary website provides a MATLAB^® package for implementing popular dimensionality reduction algorithms.