ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Nearest-Neighbor Methods in Learning and Vision

دانلود کتاب روشهای نزدیکترین همسایه در یادگیری و بینایی

Nearest-Neighbor Methods in Learning and Vision

مشخصات کتاب

Nearest-Neighbor Methods in Learning and Vision

دسته بندی: آموزشی
ویرایش: illustrated edition 
نویسندگان: , ,   
سری: Neural Information Processing 
ISBN (شابک) : 9780262195478, 026219547X 
ناشر: The MIT Press 
سال نشر: 2006 
تعداد صفحات: 263 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 28 مگابایت

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Nearest-Neighbor Methods in Learning and Vision 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 روشهای نزدیکترین همسایه در یادگیری و بینایی 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 روشهای نزدیکترین همسایه در یادگیری و بینایی

روش‌های رگرسیون و طبقه‌بندی بر اساس شباهت ورودی به نمونه‌های ذخیره‌شده، به طور گسترده در برنامه‌هایی که شامل مجموعه‌های بسیار بزرگی از داده‌های با ابعاد بالا هستند، استفاده نشده است. با این حال، پیشرفت‌های اخیر در هندسه محاسباتی و یادگیری ماشین ممکن است مشکلات استفاده از این روش‌ها را در مجموعه داده‌های بزرگ کاهش دهد. این جلد بحث‌های نظری و عملی روش‌های نزدیک‌ترین همسایه (NN) را در یادگیری ماشین ارائه می‌کند و بینایی کامپیوتر را به عنوان یک حوزه کاربردی بررسی می‌کند که در آن مزایای این روش‌های پیشرفته اغلب چشمگیر است. این کمک‌های محققان در تئوری محاسبات، یادگیری ماشین، و بینایی کامپیوتر را با هدف پر کردن شکاف‌ها بین رشته‌ها و ارائه روش‌های پیشرفته برای کاربردهای نوظهور گرد هم می‌آورد. مشارکت‌کنندگان بر اهمیت طراحی الگوریتم‌هایی برای جستجوی NN، و برای طبقه‌بندی، رگرسیون، و وظایف مربوط به بازیابی تمرکز می‌کنند، که حتی با افزایش تعداد نقاط یا ابعاد داده‌ها، کارآمد باقی می‌مانند. این کتاب با دو فصل نظری در مورد هندسه محاسباتی آغاز می‌شود و سپس راه‌هایی را برای عملی کردن رویکرد NN در برنامه‌های کاربردی یادگیری ماشین بررسی می‌کند، جایی که ابعاد داده‌ها و اندازه مجموعه‌های داده، روش‌های ساده برای جستجوی NN را بسیار گران می‌کند. فصل‌های پایانی کاربردهای موفقیت‌آمیز یک الگوریتم NN، هش حساس به محلی (LSH) را برای وظایف بینایی توصیف می‌کنند.


توضیحاتی درمورد کتاب به خارجی

Regression and classification methods based on similarity of the input to stored examples have not been widely used in applications involving very large sets of high-dimensional data. Recent advances in computational geometry and machine learning, however, may alleviate the problems in using these methods on large data sets. This volume presents theoretical and practical discussions of nearest-neighbor (NN) methods in machine learning and examines computer vision as an application domain in which the benefit of these advanced methods is often dramatic. It brings together contributions from researchers in theory of computation, machine learning, and computer vision with the goals of bridging the gaps between disciplines and presenting state-of-the-art methods for emerging applications. The contributors focus on the importance of designing algorithms for NN search, and for the related classification, regression, and retrieval tasks, that remain efficient even as the number of points or the dimensionality of the data grows very large. The book begins with two theoretical chapters on computational geometry and then explores ways to make the NN approach practicable in machine learning applications where the dimensionality of the data and the size of the data sets make the naïve methods for NN search prohibitively expensive. The final chapters describe successful applications of an NN algorithm, locality-sensitive hashing (LSH), to vision tasks.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی