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: آموزشی ویرایش: 1 نویسندگان: Johannes Fürnkranz, Eyke Hüllermeier (auth.), Johannes Fürnkranz, Eyke Hüllermeier (eds.) سری: ISBN (شابک) : 3642141242, 9783642141256 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2011 تعداد صفحات: 476 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Preference Learning 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 ترجیح 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.
موضوع ترجیحات شاخه جدیدی از یادگیری ماشین و داده کاوی است و در سالهای اخیر توجه قابل توجهی را در تحقیقات هوش مصنوعی به خود جلب کرده است. بازنمایی و پردازش دانش بر حسب ترجیحات جذاب است، زیرا به فرد اجازه میدهد خواستهها را به شیوهای اعلامی مشخص کند، شیوههای استدلال کیفی و کمی را ترکیب کند، و با ناسازگاریها و استثناها به شیوهای انعطافپذیر برخورد کند. یادگیری ترجیحی به کسب مدل های ترجیحی از داده ها مربوط می شود - شامل یادگیری از مشاهداتی است که اطلاعاتی را در مورد ترجیحات یک فرد یا دسته ای از افراد نشان می دهد، و ساخت مدل هایی که فراتر از این داده های آموزشی تعمیم می یابد. این اولین کتابی است که به این موضوع اختصاص دارد و درمان آن جامع است. ویراستاران ابتدا یک مقدمه کامل، از جمله یک طبقه بندی سیستماتیک بر اساس وظیفه یادگیری و تکنیک یادگیری، همراه با یک نماد یکپارچه ارائه می دهند. باقیمانده کتاب در بخشهایی سازماندهی شده است که از چارچوب توسعهیافته پیروی میکنند و مقالات نظرسنجی را با رسالههای عمیق از موضوعات تحقیقاتی جاری در این زمینه تکمیل میکنند. این کتاب مورد توجه محققان و متخصصان هوش مصنوعی، به ویژه یادگیری ماشین و داده کاوی، و در زمینههایی مانند تصمیمگیری چند معیاره و تحقیق در عملیات خواهد بود.
The topic of preferences is a new branch of machine learning and data mining, and it has attracted considerable attention in artificial intelligence research in recent years. Representing and processing knowledge in terms of preferences is appealing as it allows one to specify desires in a declarative way, to combine qualitative and quantitative modes of reasoning, and to deal with inconsistencies and exceptions in a flexible manner. Preference learning is concerned with the acquisition of preference models from data – it involves learning from observations that reveal information about the preferences of an individual or a class of individuals, and building models that generalize beyond such training data. This is the first book dedicated to this topic, and the treatment is comprehensive. The editors first offer a thorough introduction, including a systematic categorization according to learning task and learning technique, along with a unified notation. The remainder of the book is organized into parts that follow the developed framework, complementing survey articles with in-depth treatises of current research topics in this area. The book will be of interest to researchers and practitioners in artificial intelligence, in particular machine learning and data mining, and in fields such as multicriteria decision-making and operations research.
Front Matter....Pages i-ix
Front Matter....Pages 43-43
Preference Learning: An Introduction....Pages 1-17
A Preference Optimization Based Unifying Framework for Supervised Learning Problems....Pages 19-42
Front Matter....Pages 43-43
Label Ranking Algorithms: A Survey....Pages 45-64
Preference Learning and Ranking by Pairwise Comparison....Pages 65-82
Decision Tree Modeling for Ranking Data....Pages 83-106
Co-Regularized Least-Squares for Label Ranking....Pages 107-123
Front Matter....Pages 125-125
A Survey on ROC-based Ordinal Regression....Pages 127-154
Ranking Cases with Classification Rules....Pages 155-177
Front Matter....Pages 179-179
A Survey and Empirical Comparison of Object Ranking Methods....Pages 181-201
Dimension Reduction for Object Ranking....Pages 203-215
Learning of Rule Ensembles for Multiple Attribute Ranking Problems....Pages 217-247
Front Matter....Pages 249-249
Learning Lexicographic Preference Models....Pages 251-272
Learning Ordinal Preferences on Multiattribute Domains: The Case of CP-nets....Pages 273-296
Choice-Based Conjoint Analysis: Classification vs. Discrete Choice Models....Pages 297-315
Learning Aggregation Operators for Preference Modeling....Pages 317-333
Front Matter....Pages 335-335
Evaluating Search Engine Relevance with Click-Based Metrics....Pages 337-361
Learning SVM Ranking Functions from User Feedback Using Document Metadata and Active Learning in the Biomedical Domain....Pages 363-383
Front Matter....Pages 385-385
Learning Preference Models in Recommender Systems....Pages 387-407
Collaborative Preference Learning....Pages 409-427
Discerning Relevant Model Features in a Content-based Collaborative Recommender System....Pages 429-455
Back Matter....Pages 457-466