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 Semisupervised Learning for Computational Linguistics (Chapman & Hall Crc Computer Science & Data Analysis)

دانلود کتاب یادگیری نیمه‌تمام زبان شناسی محاسباتی (Chapman & Hall Crc Science Computer and Analysis Data)

Semisupervised Learning for Computational Linguistics (Chapman & Hall Crc Computer Science & Data Analysis)

مشخصات کتاب

Semisupervised Learning for Computational Linguistics (Chapman & Hall Crc Computer Science & Data Analysis)

دسته بندی: کامپیوتر
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1584885599, 9781420010800 
ناشر:  
سال نشر: 2007 
تعداد صفحات: 322 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 63,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 18


در صورت تبدیل فایل کتاب Semisupervised Learning for Computational Linguistics (Chapman & Hall Crc Computer Science & Data Analysis) 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 نیمه‌تمام زبان شناسی محاسباتی (Chapman & Hall Crc Science Computer and Analysis Data) 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 یادگیری نیمه‌تمام زبان شناسی محاسباتی (Chapman & Hall Crc Science Computer and Analysis Data)

پیشرفت سریع در درک نظری روش های آماری و یادگیری ماشینی برای یادگیری نیمه نظارتی، به روز ماندن در این زمینه را برای افراد غیرمتخصص دشوار کرده است. آموزش نیمه نظارتی برای زبان شناسی محاسباتی با ارائه یک درمان گسترده و در دسترس از نظریه و همچنین کاربردهای زبانی، پوشش مستقلی از روش های نیمه نظارتی ارائه می دهد که شامل مطالب زمینه ای در مورد یادگیری تحت نظارت و بدون نظارت است. این کتاب تاریخچه مختصری از یادگیری نیمه نظارتی و مکان آن را ارائه می دهد. در طیف روش های یادگیری قبل از اینکه به بحث در مورد روش های شناخته شده پردازش زبان طبیعی مانند خودآموزی و آموزش مشترک بپردازیم. سپس بر روی تکنیک‌های یادگیری ماشین، از جمله روش‌های مرزی پرسپترون‌ها، تقویت، ماشین‌های بردار پشتیبانی (SVM) و مدل نویز دسته‌بندی تهی تمرکز می‌کند. علاوه بر این، این کتاب خوشه‌بندی، الگوریتم بیشینه‌سازی انتظارات (EM)، روش‌های مولد مرتبط و روش‌های توافق را پوشش می‌دهد. این کتاب با روش مبتنی بر نمودار انتشار برچسب و همچنین بحث مفصل در مورد روش‌های طیفی به پایان می‌رسد. این کتاب شفاف با رویکردی شهودی به مطالب، کاربرد روش‌های یادگیری نیمه‌نظارتی را برای پردازش زبان طبیعی تسهیل می‌کند و چارچوب و انگیزه‌ای را برای آن فراهم می‌کند. یک مطالعه سیستماتیک تر از یادگیری ماشین.


توضیحاتی درمورد کتاب به خارجی

The rapid advancement in the theoretical understanding of statistical and machine learning methods for semisupervised learning has made it difficult for nonspecialists to keep up to date in the field. Providing a broad, accessible treatment of the theory as well as linguistic applications, Semisupervised Learning for Computational Linguistics offers self-contained coverage of semisupervised methods that includes background material on supervised and unsupervised learning.The book presents a brief history of semisupervised learning and its place in the spectrum of learning methods before moving on to discuss well-known natural language processing methods, such as self-training and co-training. It then centers on machine learning techniques, including the boundary-oriented methods of perceptrons, boosting, support vector machines (SVMs), and the null-category noise model. In addition, the book covers clustering, the expectation-maximization (EM) algorithm, related generative methods, and agreement methods. It concludes with the graph-based method of label propagation as well as a detailed discussion of spectral methods.Taking an intuitive approach to the material, this lucid book facilitates the application of semisupervised learning methods to natural language processing and provides the framework and motivation for a more systematic study of machine learning.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد