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: [1 ed.]
نویسندگان: Omar Alonso
سری: Synthesis Lectures on Information Concepts, Retrieval, and Services
ISBN (شابک) : 1681735237, 9781681735238
ناشر: Morgan & Claypool Publishers
سال نشر: 2019
تعداد صفحات: 150
[151]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب The Practice of Crowdsourcing 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 تمرین جمع سپاری 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.
بسیاری از برنامه های کاربردی داده فشرده که از تکنیک های یادگیری ماشین یا هوش مصنوعی استفاده می کنند، به انسان ها بستگی دارد که مجموعه داده های اولیه را ارائه می دهند و الگوریتم ها را قادر می سازند بقیه را پردازش کنند یا سایر انسان ها عملکرد چنین الگوریتم هایی را ارزیابی کنند. نه تنها میتوان دادههای برچسبگذاریشده برای آموزش و ارزیابی را سریعتر، ارزانتر و آسانتر از هر زمان دیگری جمعآوری کرد، بلکه اکنون شاهد ظهور نرمافزار ترکیبی انسان و ماشین هستیم که محاسبات انجامشده توسط انسان و ماشینها را با هم ترکیب میکند. با این حال، مسائل عملی در دنیای واقعی با پذیرش محاسبات انسانی و جمع سپاری وجود دارد. ساختن سیستمها و خطوط لوله پردازش دادهها که به محاسبات جمعی نیاز دارند همچنان دشوار است. در این کتاب، ملاحظات عملی برای طراحی و اجرای کارهایی که نیاز به استفاده از انسان و ماشین در ترکیب با هدف تولید برچسبهای باکیفیت دارند، ارائه میکنیم.
Many data-intensive applications that use machine learning or artificial intelligence techniques depend on humans providing the initial dataset, enabling algorithms to process the rest or for other humans to evaluate the performance of such algorithms. Not only can labeled data for training and evaluation be collected faster, cheaper, and easier than ever before, but we now see the emergence of hybrid human-machine software that combines computations performed by humans and machines in conjunction. There are, however, real-world practical issues with the adoption of human computation and crowdsourcing. Building systems and data processing pipelines that require crowd computing remains difficult. In this book, we present practical considerations for designing and implementing tasks that require the use of humans and machines in combination with the goal of producing high-quality labels.