نرم افزار: سیستم ها: محاسبات علمی

یادگیری طبقه‌بندی‌کننده‌های هسته: نظریه و الگوریتم‌ها

Learning Kernel Classifiers: Theory and Algorithms

دانلود کتاب Learning Kernel Classifiers: Theory and Algorithms (به فارسی: یادگیری طبقه‌بندی‌کننده‌های هسته: نظریه و الگوریتم‌ها) نوشته شده توسط «Ralf Herbrich»

اطلاعات کتاب یادگیری طبقه‌بندی‌کننده‌های هسته: نظریه و الگوریتم‌ها

موضوع اصلی: کامپیوتر – علوم کامپیوتر

نوع: کتاب الکترونیکی

ناشر: The MIT Press

نویسنده: Ralf Herbrich

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2001

تعداد صفحه: 371

حجم فایل: 2.69 مگابایت

کد کتاب: 0585436681 , 9780585436685

توضیحات کتاب یادگیری طبقه‌بندی‌کننده‌های هسته: نظریه و الگوریتم‌ها

طبقه‌بندی‌کننده‌های خطی در فضاهای هسته به عنوان یک موضوع اصلی در زمینه یادگیری ماشین ظاهر شده‌اند. تکنیک هسته، طبقه‌بندی‌کننده خطی – یک مدل محدود، اما به خوبی تثبیت‌شده و به طور جامع مورد مطالعه قرار می‌گیرد – و کاربرد آن را به طیف گسترده‌ای از وظایف تشخیص الگوی غیرخطی مانند پردازش زبان طبیعی، بینایی ماشین، و تحلیل توالی بیولوژیکی گسترش می‌دهد. این کتاب اولین مروری جامع از هر دو نظریه و الگوریتم های طبقه بندی کننده هسته، از جمله آخرین پیشرفت ها را ارائه می دهد. این کار با توصیف پیشرفت‌های الگوریتمی اصلی آغاز می‌شود: یادگیری پرسپترون هسته، تفکیک‌کننده‌های فیشر هسته، ماشین‌های بردار پشتیبان، ماشین‌های بردار مرتبط، فرآیندهای گاوسی، و ماشین‌های نقطه بیز. سپس مقدمه ای مفصل برای تئوری یادگیری، از جمله نظریه VC و PAC-Bayesian، به حداقل رساندن ریسک ساختاری وابسته به داده، و مرزهای فشرده سازی دنبال می شود. در سراسر کتاب، بر تعامل بین نظریه و الگوریتم ها تأکید می شود: الگوریتم های یادگیری چگونه کار می کنند و چرا. این کتاب شامل مثال‌های زیادی، شبه کد کامل الگوریتم‌های ارائه‌شده، و کتابخانه کد منبع گسترده است.

Linear classifiers in kernel spaces have emerged as a major topic within the field of machine learning. The kernel technique takes the linear classifier – a limited, but well-established and comprehensively studied model – and extends its applicability to a wide range of nonlinear pattern-recognition tasks such as natural language processing, machine vision, and biological sequence analysis. This book provides the first comprehensive overview of both the theory and algorithms of kernel classifiers, including the most recent developments. It begins by describing the major algorithmic advances: kernel perceptron learning, kernel Fisher discriminants, support vector machines, relevance vector machines, Gaussian processes, and Bayes point machines. Then follows a detailed introduction to learning theory, including VC and PAC-Bayesian theory, data-dependent structural risk minimization, and compression bounds. Throughout, the book emphasizes the interaction between theory and algorithms: how learning algorithms work and why. The book includes many examples, complete pseudo code of the algorithms presented, and an extensive source code library.

دانلود کتاب «یادگیری طبقه‌بندی‌کننده‌های هسته: نظریه و الگوریتم‌ها»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان