Regularization, Optimization, Kernels, and Support Vector Machines

ویرایش:  
نویسندگان: Suykens Johan A.K.,  Signoretto Marco,  Argyriou Andreas. (Eds.)  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: [522] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb 

قیمت کتاب (تومان) : 41,000

مطبوعات CRC، 2014. - 525 ص. — ISBN: 9781482241396، e-ISBN: 9781482241402. تنظیم‌سازی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبانی تصویری از وضعیت فعلی هنر یادگیری ماشینی در مقیاس بزرگ، ارائه یک منبع چند رشته‌ای واحد برای آخرین تحقیقات و پیشرفت‌ها در منظم‌سازی، پراکندگی، سنجش فشرده، بهینه‌سازی محدب و در مقیاس بزرگ، روش‌های هسته و ماشین‌های بردار پشتیبانی. این مرجع جامع شامل 21 فصل است که توسط محققان برجسته در یادگیری ماشین نوشته شده است: روابط بین ماشین‌های بردار پشتیبان (SVM) و کمند را پوشش می‌دهد
بحث چند لایه SVMs
انتخاب ویژگی های ناپارامتری، روش های پیگیری پایه، و سنجش فشرده قوی را بررسی می کند
روش های منظم سازی مبتنی بر نمودار را برای یادگیری تک و چند وظیفه ای توصیف می کند
روش های منظم را برای یادگیری فرهنگ لغت و انتخاب نمونه کارها در نظر می گیرد.
فاکتورسازی ماتریس غیرمنفی را نشان می‌دهد
مدل‌های مبتنی بر ماتریس و تانسور با رتبه پایین را بررسی می‌کند
روش‌های هسته پیشرفته را برای یادگیری ماشینی دسته‌ای و آنلاین، شناسایی سیستم، تطبیق دامنه، و پردازش تصویر ارائه می‌کند. /> با الگوریتم‌های مقیاس بزرگ از جمله روش‌های گرادیان شرطی، تکنیک‌های پروگزیمال (غیر محدب) و نزول گرادیان تصادفی مقابله می‌کند تنظیم‌سازی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبانی ایده‌آل است. برای محققان در یادگیری ماشین، تشخیص الگو، داده کاوی، پردازش سیگنال، یادگیری آماری و حوزه های مرتبط.

CRC Press, 2014. — 525 p. — ISBN: 9781482241396, e-ISBN: 9781482241402. Regularization, Optimization, Kernels, and Support Vector Machines offers a snapshot of the current state of the art of large-scale machine learning, providing a single multidisciplinary source for the latest research and advances in regularization, sparsity, compressed sensing, convex and large-scale optimization, kernel methods, and support vector machines. Consisting of 21 chapters authored by leading researchers in machine learning, this comprehensive reference: Covers the relationship between support vector machines (SVMs) and the Lasso
Discusses multi-layer SVMs
Explores nonparametric feature selection, basis pursuit methods, and robust compressive sensing
Describes graph-based regularization methods for single- and multi-task learning
Considers regularized methods for dictionary learning and portfolio selection
Addresses non-negative matrix factorization
Examines low-rank matrix and tensor-based models
Presents advanced kernel methods for batch and online machine learning, system identification, domain adaptation, and image processing
Tackles large-scale algorithms including conditional gradient methods, (non-convex) proximal techniques, and stochastic gradient descent Regularization, Optimization, Kernels, and Support Vector Machines is ideal for researchers in machine learning, pattern recognition, data mining, signal processing, statistical learning, and related areas.