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: Parag Kulkarni
سری:
ISBN (شابک) : 9783319553122
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 142
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 Reverse Hypothesis Machine 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 ماشینی فرضیه معکوس 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 پارادایم ماشینهای فرضیه معکوس (RHM) را معرفی میکند که بر نوآوری دانش و یادگیری ماشین تمرکز دارد. یادگیری مبتنی بر اکتساب دانش توسط حجم زیادی از داده ها محدود شده و زمان بر است. از این رو یادگیری مبتنی بر نوآوری دانش نیاز به زمان دارد. از آنجایی که کم یادگیری منجر به ناتوانی های شناختی می شود و یادگیری بیش از حد آزادی را به خطر می اندازد، نیاز به یادگیری ماشینی بهینه وجود دارد. تمام تکنیک های یادگیری موجود بر روی نگاشت ورودی و خروجی و ایجاد روابط ریاضی بین آنها متکی است. اگرچه روشها پارادایم را تغییر میدهند، همان پارادایم ماشین فرضیه رو به جلو، که تلاش میکند عدم قطعیت را به حداقل برساند. از سوی دیگر، RHM از عدم قطعیت برای یادگیری خلاق استفاده می کند. این رویکرد از داده های محدودی برای کمک به شناسایی راه حل های جدید و شگفت انگیز استفاده می کند. برخلاف رویکردهای سنتی که بر دقت تمرکز دارند، بر بهبود یادگیری تمرکز دارد. این کتاب به عنوان یک کتاب مرجع برای محققان و متخصصان یادگیری ماشین و همچنین علاقه مندان به هوش ماشین مفید است. همچنین میتواند توسط پزشکان برای توسعه برنامههای یادگیری ماشینی جدید برای حل مشکلاتی که نیاز به خلاقیت دارند، استفاده کنند.
This book introduces a paradigm of reverse hypothesis machines (RHM), focusing on knowledge innovation and machine learning. Knowledge- acquisition -based learning is constrained by large volumes of data and is time consuming. Hence Knowledge innovation based learning is the need of time. Since under-learning results in cognitive inabilities and over-learning compromises freedom, there is need for optimal machine learning. All existing learning techniques rely on mapping input and output and establishing mathematical relationships between them. Though methods change the paradigm remains the same—the forward hypothesis machine paradigm, which tries to minimize uncertainty. The RHM, on the other hand, makes use of uncertainty for creative learning. The approach uses limited data to help identify new and surprising solutions. It focuses on improving learnability, unlike traditional approaches, which focus on accuracy. The book is useful as a reference book for machine learning researchers and professionals as well as machine intelligence enthusiasts. It can also used by practitioners to develop new machine learning applications to solve problems that require creativity.
Front Matter....Pages i-xvi
Front Matter....Pages 1-1
Introduction: Patterns Apart....Pages 3-22
Understanding Machine Learning Opportunities....Pages 23-48
Systemic Machine Learning....Pages 49-58
Reinforcement and Deep Reinforcement Machine Learning....Pages 59-83
Front Matter....Pages 85-85
Creative Machine Learning....Pages 87-118
Co-operative and Collective Learning for Creative ML....Pages 119-124
Building Creative Machines with Optimal ML and Creative Machine Learning Applications....Pages 125-132
Conclusion—Learning Continues....Pages 133-134
Back Matter....Pages 135-138