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
نویسندگان: Vladimir Koltchinskii (auth.)
سری: Lecture Notes in Mathematics 2033
ISBN (شابک) : 3642221467, 9783642221460
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 2011
تعداد صفحات: 267
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب نابرابری های اوراکل در به حداقل رساندن خطر تجربی و مشکلات بازیابی پراکنده: École d’Été de Probabilités de Saint-Flour XXXVIII-2008: نظریه احتمال و فرآیندهای تصادفی
در صورت تبدیل فایل کتاب Oracle Inequalities in Empirical Risk Minimization and Sparse Recovery Problems: École d’Été de Probabilités de Saint-Flour XXXVIII-2008 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 نابرابری های اوراکل در به حداقل رساندن خطر تجربی و مشکلات بازیابی پراکنده: École d’Été de Probabilités de Saint-Flour XXXVIII-2008 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.
هدف از این یادداشتهای سخنرانی ارائه مقدمهای بر تئوری کلی کمینهسازی ریسک تجربی با تأکید بر محدودیتهای اضافی ریسک و نابرابریهای اوراکل در مسائل جریمهشده است. در سالهای اخیر، پیشرفتهای جدیدی در این زمینه با انگیزه مطالعه کلاسهای جدید روشها در یادگیری ماشین مانند روشهای طبقهبندی حاشیه بزرگ (تقویت، ماشینهای هسته) رخ داده است. ابزارهای احتمالی اصلی درگیر در تجزیه و تحلیل این مسائل، نابرابری های تمرکز و انحراف توسط تالاگراند به همراه سایر روش های تئوری فرآیندهای تجربی (نابرابری های تقارن، نابرابری انقباضی برای مجموع Rademacher، آنتروپی و کران های زنجیره ای عمومی) هستند. بازیابی پراکنده بر اساس جریمهسازی نوع l_1 و بازیابی ماتریس رتبه پایین بر اساس جریمهسازی هنجار هستهای از دیگر حوزههای فعال پژوهشی است که مشکلات اصلی را میتوان در چارچوب کمینهسازی ریسک تجربی جریمهشده بیان کرد و نابرابریهای تمرکز و ابزارهای فرآیندهای تجربی را نشان داد. ثابت شد که بسیار مفید است.
The purpose of these lecture notes is to provide an introduction to the general theory of empirical risk minimization with an emphasis on excess risk bounds and oracle inequalities in penalized problems. In recent years, there have been new developments in this area motivated by the study of new classes of methods in machine learning such as large margin classification methods (boosting, kernel machines). The main probabilistic tools involved in the analysis of these problems are concentration and deviation inequalities by Talagrand along with other methods of empirical processes theory (symmetrization inequalities, contraction inequality for Rademacher sums, entropy and generic chaining bounds). Sparse recovery based on l_1-type penalization and low rank matrix recovery based on the nuclear norm penalization are other active areas of research, where the main problems can be stated in the framework of penalized empirical risk minimization, and concentration inequalities and empirical processes tools have proved to be very useful.
Front Matter....Pages i-ix
Introduction....Pages 1-16
Empirical and Rademacher Processes....Pages 17-32
Bounding Expected Sup-Norms of Empirical and Rademacher Processes....Pages 33-57
Excess Risk Bounds....Pages 59-79
Examples of Excess Risk Bounds in Prediction Problems....Pages 81-97
Penalized Empirical Risk Minimization and Model Selection Problems....Pages 99-119
Linear Programming in Sparse Recovery....Pages 121-149
Convex Penalization in Sparse Recovery....Pages 151-189
Low Rank Matrix Recovery: Nuclear Norm Penalization....Pages 191-234
Back Matter....Pages 235-254