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
دسته بندی: سازمان و پردازش داده ها ویرایش: نویسندگان: Gökhan H. Bakir, Thomas Hofmann, Bernhard Schölkopf, Alexander J. Smola, Ben Taskar, S. V. N. Vishwanathan سری: Advances in neural information processing systems ISBN (شابک) : 0262026171, 9781429499170 ناشر: MIT Press سال نشر: 2007 تعداد صفحات: 361 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 Predicting Structured Data 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 پیش بینی داده های ساختاری 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.
یادگیری ماشینی سیستم های کامپیوتری هوشمندی را توسعه می دهد که قادر به تعمیم نمونه های قبلی هستند. حوزه جدیدی از یادگیری ماشین، که در آن پیشبینی باید محدودیتهای اضافی موجود در دادههای ساختیافته را برآورده کند، یکی از بزرگترین چالشهای یادگیری ماشین را ایجاد میکند: یادگیری وابستگیهای عملکردی بین حوزههای ورودی و خروجی دلخواه. این جلد به ارائه و تجزیه و تحلیل وضعیت هنر در الگوریتم های یادگیری ماشین و نظریه در این زمینه جدید می پردازد. مشارکتکنندگان در مورد کاربردهای متنوعی مانند ترجمه ماشینی، نشانهگذاری اسناد، زیستشناسی محاسباتی و استخراج اطلاعات، از جمله موارد دیگر بحث میکنند و یک نمای کلی به موقع از یک زمینه هیجانانگیز ارائه میدهند. شرکت کنندگان: یاسمین آلتون، گوخان باکیر، اولیویه بوسکه، سامیت چوپرا، کورینا کورتس، هال داومه سوم، اوفر دکل، زوبین قهرمانی، رایا هادسل، توماس هافمن، فو جی هوانگ، یان لیکان، توبیاس مان، دانیل مارکو، دانیل مارکو، مک آلستر، مهریار موهری، ویلیام استافورد نوبل، فرناندو پرز-کروز، ماسیمیلیانو پونتیل، مارک اورلیو رانزاتو، جوهو روسو، کریگ ساندرز، برنهارد شلکوپف، ماتیاس دبلیو سیگر، شای شالو-شوارتز، الکساندر شوارتز، جان شاورامینگتی جی. اسمولا، ساندور سدماک، بن تاسکار، یوانیس سوچانتاریدیس، اس. وی. ان. ویشواناتان و جیسون وستون
Machine learning develops intelligent computer systems that are able to generalize from previously seen examples. A new domain of machine learning, in which the prediction must satisfy the additional constraints found in structured data, poses one of machine learning’s greatest challenges: learning functional dependencies between arbitrary input and output domains. This volume presents and analyzes the state of the art in machine learning algorithms and theory in this novel field. The contributors discuss applications as diverse as machine translation, document markup, computational biology, and information extraction, among others, providing a timely overview of an exciting field. Contributors: Yasemin Altun, Gökhan Bakır, Olivier Bousquet, Sumit Chopra, Corinna Cortes, Hal Daumé III, Ofer Dekel, Zoubin Ghahramani, Raia Hadsell, Thomas Hofmann, Fu Jie Huang, Yann LeCun, Tobias Mann, Daniel Marcu, David McAllester, Mehryar Mohri, William Stafford Noble, Fernando Pérez-Cruz, Massimiliano Pontil, Marc’Aurelio Ranzato, Juho Rousu, Craig Saunders, Bernhard Schölkopf, Matthias W. Seeger, Shai Shalev-Shwartz, John Shawe-Taylor, Yoram Singer, Alexander J. Smola, Sandor Szedmak, Ben Taskar, Ioannis Tsochantaridis, S. V. N. Vishwanathan, and Jason Weston