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 ed.] نویسندگان: Francisco Herrera, Sebastián Ventura, Rafael Bello, Chris Cornelis, Amelia Zafra, Dánel Sánchez-Tarragó, Sarah Vluymans (auth.) سری: ISBN (شابک) : 9783319477589, 9783319477596 ناشر: Springer International Publishing سال نشر: 2016 تعداد صفحات: XI, 233 [241] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Multiple Instance Learning: Foundations and Algorithms 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 چند نمونه ای: مبانی و الگوریتم ها 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 یک نمای کلی از یادگیری چند نمونه ای (MIL)، تعریف
چارچوب و پوشش پارادایم های مرکزی ارائه می دهد. نویسندگان
مهمترین الگوریتمهای MIL مانند طبقهبندی، رگرسیون و
خوشهبندی را مورد بحث قرار میدهند. با تمرکز بر طبقه بندی، یک
طبقه بندی تنظیم شده و مرتبط ترین پیشنهادات مشخص می شود.
الگوریتم های کارآمد برای کشف اطلاعات مرتبط در هنگام کار با
عدم قطعیت توسعه داده می شوند. برنامه های کاربردی نماینده
کلیدی گنجانده شده است.
این کتاب مطالعه زمینه های کلیدی مرتبط با معیارهای فاصله و
فرضیه های جایگزین را انجام می دهد. فصلها جنبههای جدید و در
حال توسعه MIL مانند کاهش دادهها برای مشکلات چند نمونهای و
دادههای MIL نامتعادل را بررسی میکنند. عدم تعادل کلاس برای
مشکلات چند نمونه در سطح کیف تعریف میشود، نوعی نمایش که از
ابهام استفاده میکند، زیرا برچسبهای کیسه در دسترس هستند، اما
برچسبهای نمونههای جداگانه تعریف نشدهاند.
بهعلاوه، چند نمونه چندگانه یادگیری برچسب بررسی می شود. این
چارچوب یادگیری، انعطافپذیری و ابهام را در بازنمایی شی ارائه
میکند و یک فرمول طبیعی برای نمایش اشیاء پیچیده ارائه میکند.
بنابراین، یک شی با مجموعه ای از نمونه ها نشان داده می شود و
اجازه دارد چندین برچسب کلاس را به طور همزمان مرتبط کند.
این کتاب برای توسعه دهندگان و مهندسانی مناسب است که از تکنیک
های MIL برای حل انواع مشکلات دنیای واقعی استفاده می کنند.
همچنین برای محققان یا دانشجویانی که به دنبال یک مرور کلی از
ادبیات، روشها و ابزار MIL هستند، مفید است.
This book provides a general overview of multiple instance
learning (MIL), defining the framework and covering the
central paradigms. The authors discuss the most important
algorithms for MIL such as classification, regression and
clustering. With a focus on classification, a taxonomy is set
and the most relevant proposals are specified. Efficient
algorithms are developed to discover relevant information
when working with uncertainty. Key representative
applications are included.
This book carries out a study of the key related fields of
distance metrics and alternative hypothesis. Chapters examine
new and developing aspects of MIL such as data reduction for
multi-instance problems and imbalanced MIL data. Class
imbalance for multi-instance problems is defined at the bag
level, a type of representation that utilizes ambiguity due
to the fact that bag labels are available, but the labels of
the individual instances are not defined.
Additionally, multiple instance multiple label learning is
explored. This learning framework introduces flexibility and
ambiguity in the object representation providing a natural
formulation for representing complicated objects. Thus, an
object is represented by a bag of instances and is allowed to
have associated multiple class labels simultaneously.
This book is suitable for developers and engineers working to
apply MIL techniques to solve a variety of real-world
problems. It is also useful for researchers or students
seeking a thorough overview of MIL literature, methods, and
tools.