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: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Joachim Diederich سری: Studies in Computational Intelligence 80 ISBN (شابک) : 3540753893, 9783540753902 ناشر: Springer سال نشر: 2008 تعداد صفحات: 264 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب استخراج قانون از ماشینهای بردار پشتیبان: انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Rule Extraction from Support Vector Machines 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 استخراج قانون از ماشینهای بردار پشتیبان 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.
ماشینهای بردار پشتیبان (SVM) یکی از فعالترین حوزههای تحقیقاتی در یادگیری ماشین هستند. SVM ها در تعدادی از برنامه ها از جمله طبقه بندی متن و تصویر عملکرد خوبی از خود نشان داده اند. با این حال، قابلیت یادگیری SVM ها به قیمتی تمام می شود، ناتوانی ذاتی در توضیح به شکلی قابل فهم، فرآیندی که از طریق آن به یک نتیجه یادگیری رسیده است. از این رو، وضعیت مشابه شبکههای عصبی است، جایی که فقدان آشکار قابلیت توضیح منجر به رویکردهای مختلفی با هدف استخراج قوانین نمادین از شبکههای عصبی شده است. برای اینکه SVM ها در زمینه هایی مانند تشخیص پزشکی و مناطق حساس امنیتی، پذیرش بیشتری داشته باشند، ارائه یک قابلیت توضیحی مطلوب است. توضیح کاربر اغلب یک الزام قانونی است، زیرا لازم است توضیح داده شود که چگونه تصمیم گرفته شده است یا چرا تصمیم گرفته شده است. این کتاب یک نمای کلی از این زمینه ارائه می دهد و تعدادی از رویکردهای مختلف را برای استخراج قوانین از ماشین های بردار پشتیبان توسعه یافته توسط محققان کلیدی معرفی می کند. علاوه بر این، برنامه های کاربردی موفق تشریح شده و فرصت های تحقیقاتی آینده مورد بحث قرار می گیرد. این کتاب مرجع مهمی برای محققین و دانشجویان تحصیلات تکمیلی است و از آنجایی که مقدمه ای برای موضوع ارائه می کند، در کلاس درس نیز حائز اهمیت خواهد بود. به دلیل اهمیت SVM ها و توضیحات کاربر، این کتاب برای متخصصان داده کاوی و تحلیلگران داده مرتبط است.
Support vector machines (SVMs) are one of the most active research areas in machine learning. SVMs have shown good performance in a number of applications, including text and image classification. However, the learning capability of SVMs comes at a cost ' an inherent inability to explain in a comprehensible form, the process by which a learning result was reached. Hence, the situation is similar to neural networks, where the apparent lack of an explanation capability has led to various approaches aiming at extracting symbolic rules from neural networks. For SVMs to gain a wider degree of acceptance in fields such as medical diagnosis and security sensitive areas, it is desirable to offer an explanation capability. User explanation is often a legal requirement, because it is necessary to explain how a decision was reached or why it was made. This book provides an overview of the field and introduces a number of different approaches to extracting rules from support vector machines developed by key researchers. In addition, successful applications are outlined and future research opportunities are discussed. The book is an important reference for researchers and graduate students, and since it provides an introduction to the topic, it will be important in the classroom as well. Because of the significance of both SVMs and user explanation, the book is of relevance to data mining practitioners and data analysts.