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: نویسندگان: Cambria. Erik, Cao. Jiuwen, Lendasse. Amaury, Miche. Yoan, Vong. Chi Man سری: Proceedings in Adaptation Learning and Optimization 9 ISBN (شابک) : 9783319574219, 9783319574202 ناشر: سال نشر: تعداد صفحات: 286 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Proceedings of ELM-2016 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 مجموعه مقالات ELM-2016 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 حاوی برخی مقالات منتخب از کنفرانس بینالمللی ماشین یادگیری شدید 2016 است که در سنگاپور، 13 تا 15 دسامبر 2016 برگزار شد. تبادل تجربه تحقیق و توسعه در مورد مطالعات نظری و کاربردهای عملی تکنیک ELM و یادگیری مغز. هدف ماشینهای یادگیری افراطی (ELM) شکستن موانع بین تکنیکهای یادگیری مصنوعی مرسوم و مکانیسم یادگیری بیولوژیکی است. ELM مجموعهای از تکنیکهای یادگیری (ماشین یا احتمالاً بیولوژیکی) را نشان میدهد که در آن نورونهای پنهان نیازی به تنظیم ندارند. نظریههای یادگیری ELM نشان میدهند که الگوریتمهای یادگیری بسیار مؤثر را میتوان بر اساس نورونهای پنهان بهطور تصادفی (با تقریباً هر توابع فعالسازی تکهای غیرخطی)، مستقل از دادههای آموزشی و محیطهای کاربردی استخراج کرد. به طور فزاینده ای، شواهد علوم اعصاب نشان می دهد که اصول مشابهی در سیستم های یادگیری بیولوژیکی اعمال می شود. نظریهها و الگوریتمهای ELM استدلال میکنند که «نرونهای پنهان تصادفی» جنبهای ضروری از مکانیسمهای یادگیری بیولوژیکی و همچنین این حس شهودی را به تصویر میکشند که کارایی یادگیری بیولوژیکی نیازی به تکیه بر قدرت محاسباتی نورونها ندارد. بنابراین، نظریههای ELM به دلایل احتمالی اینکه چرا مغز از رایانههای فعلی باهوشتر و مؤثرتر است، اشاره میکنند. ELM مزایای قابل توجهی نسبت به الگوریتم های یادگیری شبکه عصبی معمولی مانند سرعت یادگیری سریع، سهولت اجرا و حداقل نیاز به مداخله انسانی ارائه می دهد. ELM همچنین پتانسیل را به عنوان یک تکنیک جایگزین مناسب برای محاسبات در مقیاس بزرگ و هوش مصنوعی نشان میدهد.
این کتاب نظریهها، الگوریتمها و کاربردهای ELM را پوشش میدهد. این به خوانندگان نگاهی به آخرین پیشرفت های ELM می دهد.
This book contains some selected papers from the International Conference on Extreme Learning Machine 2016, which was held in Singapore, December 13-15, 2016. This conference will provide a forum for academics, researchers and engineers to share and exchange R&D experience on both theoretical studies and practical applications of the ELM technique and brain learning. Extreme Learning Machines (ELM) aims to break the barriers between the conventional artificial learning techniques and biological learning mechanism. ELM represents a suite of (machine or possibly biological) learning techniques in which hidden neurons need not be tuned. ELM learning theories show that very effective learning algorithms can be derived based on randomly generated hidden neurons (with almost any nonlinear piecewise activation functions), independent of training data and application environments. Increasingly, evidence from neuroscience suggests that similar principles apply in biological learning systems. ELM theories and algorithms argue that “random hidden neurons” capture an essential aspect of biological learning mechanisms as well as the intuitive sense that the efficiency of biological learning need not rely on computing power of neurons. ELM theories thus hint at possible reasons why the brain is more intelligent and effective than current computers. ELM offers significant advantages over conventional neural network learning algorithms such as fast learning speed, ease of implementation, and minimal need for human intervention. ELM also shows potential as a viable alternative technique for large‐scale computing and artificial intelligence.
This book covers theories, algorithms ad applications of ELM. It gives readers a glance of the most recent advances of ELM.
Front Matter....Pages i-xiii
Earthen Archaeological Site Monitoring Data Analysis Using Kernel-based ELM and Non-uniform Sampling TFR....Pages 1-10
A Multi-valued Neuron ELM with Complex-Valued Inputs for System Identification Using FRA....Pages 11-25
Quaternion Extreme Learning Machine....Pages 27-36
Robotic Grasp Stability Analysis Using Extreme Learning Machine....Pages 37-51
Extreme Learning Machine for Intent Classification of Web Data....Pages 53-60
Reinforcement Extreme Learning Machine for Mobile Robot Navigation....Pages 61-73
Detection of Cellular Spikes and Classification of Cells from Raw Nanoscale Biosensor Data....Pages 75-87
Hot News Click Rate Prediction Based on Extreme Learning Machine and Grey Verhulst Model....Pages 89-97
Multiple Shadows Layered Cooperative Velocity Updating Particle Swarm Optimization....Pages 99-112
Short Term Prediction of Continuous Time Series Based on Extreme Learning Machine....Pages 113-127
Learning Flow Characteristics Distributions with ELM for Distributed Denial of Service Detection and Mitigation....Pages 129-143
Discovering Emergence and Bidding Behaviour in Competitive Electricity Market Using Agent-Based Simulation....Pages 145-158
Multi-kernel Transfer Extreme Learning Classification....Pages 159-170
Chinese Text Sentiment Classification Based on Extreme Learning Machine....Pages 171-181
Incremental ELMVIS for Unsupervised Learning....Pages 183-193
Predicting Huntington’s Disease: Extreme Learning Machine with Missing Values....Pages 195-206
Deep-Learned and Hand-Crafted Features Fusion Network for Pedestrian Gender Recognition....Pages 207-215
Facial Landmark Detection via ELM Feature Selection and Improved SDM....Pages 217-228
Online Sequential Extreme Learning Machine with Under-Sampling and Over-Sampling for Imbalanced Big Data Classification....Pages 229-239
An Automatic Identification System (AIS) Database for Maritime Trajectory Prediction and Data Mining....Pages 241-257
Back Propagation Convex Extreme Learning Machine....Pages 259-272
Data Fusion Using OPELM for Low-Cost Sensors in AUV....Pages 273-285