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 Recent Advances in Ensembles for Feature Selection

دانلود کتاب پیشرفت های اخیر در گروه ها برای انتخاب ویژگی

Recent Advances in Ensembles for Feature Selection

مشخصات کتاب

Recent Advances in Ensembles for Feature Selection

ویرایش:  
نویسندگان:   
سری: Intelligent Systems Reference Library Book 147 
ISBN (شابک) : 9783319900803 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 208 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 35,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Recent Advances in Ensembles for Feature Selection 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 پیشرفت های اخیر در گروه ها برای انتخاب ویژگی 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 پیشرفت های اخیر در گروه ها برای انتخاب ویژگی

این کتاب یک نمای کلی جامع از یادگیری گروهی در زمینه انتخاب ویژگی (FS) ارائه می‌دهد که شامل ترکیب خروجی روش‌های متعدد برای به دست آوردن نتایج بهتر از هر روش واحدی است. این تکنیک‌های مختلف را برای ترکیب نتایج جزئی، اندازه‌گیری تنوع و ارزیابی عملکرد گروه بررسی می‌کند. با ظهور داده های بزرگ، انتخاب ویژگی (FS) بیش از هر زمان دیگری برای دستیابی به کاهش ابعاد ضروری شده است. با بسیاری از روش‌های موجود، انتخاب مناسب‌ترین روش برای یک محیط معین دشوار است، بنابراین پارادایم مجموعه را به یک جایگزین جالب تبدیل می‌کند. نویسندگان ابتدا بر پایه‌های یادگیری گروه و رویکردهای کلاسیک، قبل از فرو رفتن در جنبه‌های خاص گروه‌ها برای FS، مانند ترکیب نتایج جزئی، اندازه‌گیری تنوع و ارزیابی عملکرد گروه تمرکز می‌کنند. در نهایت، این کتاب نمونه‌هایی از کاربردهای موفق گروه‌ها را برای FS نشان می‌دهد و چالش‌های جدیدی را که اکنون محققان با آن مواجه هستند، معرفی می‌کند. به این ترتیب، این کتاب راهنمای ارزشمندی را برای همه پزشکان، محققان و دانشجویان فارغ التحصیل در زمینه‌های یادگیری ماشین و داده کاوی ارائه می‌کند.


توضیحاتی درمورد کتاب به خارجی

This book offers a comprehensive overview of ensemble learning in the field of feature selection (FS), which consists of combining the output of multiple methods to obtain better results than any single method. It reviews various techniques for combining partial results, measuring diversity and evaluating ensemble performance. With the advent of Big Data, feature selection (FS) has become more necessary than ever to achieve dimensionality reduction. With so many methods available, it is difficult to choose the most appropriate one for a given setting, thus making the ensemble paradigm an interesting alternative. The authors first focus on the foundations of ensemble learning and classical approaches, before diving into the specific aspects of ensembles for FS, such as combining partial results, measuring diversity and evaluating ensemble performance. Lastly, the book shows examples of successful applications of ensembles for FS and introduces the new challenges that researchers now face. As such, the book offers a valuable guide for all practitioners, researchers and graduate students in the areas of machine learning and data mining.





نظرات کاربران