دانلود کتاب Machine Learning for Audio, Image and Video Analysis: Theory and Applications (Advanced Information and Knowledge Processing) (به فارسی: یادگیری ماشین برای تجزیه و تحلیل صدا، تصویر و تصویر: تئوری و کاربردها (اطلاعات پیشرفته و پردازش دانش)) نوشته شده توسط «Francesco Camastra – Alessandro Vinciarelli»
اطلاعات کتاب یادگیری ماشین برای تجزیه و تحلیل صدا، تصویر و تصویر: تئوری و کاربردها (اطلاعات پیشرفته و پردازش دانش)
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Springer
نویسنده: Francesco Camastra – Alessandro Vinciarelli
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2007
تعداد صفحه: 484
حجم فایل: 5.78 مگابایت
کد کتاب: 1848000065 , 9781848000063
نوبت چاپ: 1
توضیحات کتاب یادگیری ماشین برای تجزیه و تحلیل صدا، تصویر و تصویر: تئوری و کاربردها (اطلاعات پیشرفته و پردازش دانش)
این کتاب به سه بخش تقسیم شده است:
از ادراک تا محاسبه – نشان می دهد که چگونه جسم از ادراک شنوایی و بصری ما پشتیبانی می کند. به عبارت دیگر، نشان می دهد که چگونه امواج صوتی و تشعشعات الکترومغناطیسی به اجسام قابل دستکاری توسط کامپیوتر تبدیل می شوند.
یادگیری ماشین – بررسی نسبتاً عمیقی از تکنیک های اصلی مورد استفاده در یادگیری ماشین ارائه می دهد. این فصل ها بیشتر الگوریتم های اعمال شده در سیستم های تجزیه و تحلیل صدا، تصویر و ویدئو را پوشش می دهند. در این مرحله، همه الگوریتم‌ها تکنیک‌های عمومی تشخیص الگو هستند که می‌توانند در هر زمینه‌ای اعمال شوند.
برنامه ها – این بخش نمونه هایی از برنامه ها را با استفاده از تکنیک های ارائه شده در قسمت دوم ارائه می دهد. فصلی وجود دارد که هر کدام به تشخیص گفتار و دست خط، تشخیص چهره و تقسیم‌بندی ویدیو و استخراج فریم کلیدی اختصاص دارد. هر فصل یک سیستم کلی را نشان می دهد که در آن اجزای تجزیه و تحلیل و یادگیری ماشین برای انجام یک کار معین با هم تعامل دارند. در صورت امکان، فصول این بخش نتایج به دست آمده با استفاده از داده ها و بسته نرم افزاری در دسترس عموم را ارائه می دهد. این به خواننده امکان می‌دهد آزمایش‌هایی مشابه آزمایش‌های ارائه‌شده در این کتاب انجام دهد.
ابتدای هر فصل با آنچه که خواننده قبل از شروع باید بفهمد شروع می شود، مانند حساب دیفرانسیل و انتگرال و فصل چهار در مورد فصل یازدهم. پس از آن، فهرستی از آنچه که خواننده پس از خواندن فصل باید بداند، ارائه می‌شود. می‌توانم بگویم قسمت‌های یک و دو بسیار خوب هستند، اما در قسمت سوم چیزها کمی خراب می‌شوند. مسلماً، موضوع هر یک از سه فصل در بخش پایانی پیچیده است، اما چند شکل بیشتر و مراحل الگوریتمی برچسب‌گذاری شده و شاید کمی نثر کمتر ممکن است موضوعات خاص هر کار را واضح‌تر کند.
From Perception to Computation – Shows how the physical supports our auditory and visual perceptions. In other words, it shows how acoustic waves and electromagnetic radiation are converted into objects that can be manipulated by a computer.
Machine Learning – Provides a rather deep survey of the main techniques used in machine learning. These chapters cover most of the algorithms applied in systems for audio, image, and video analysis. At this point, all of the algorithms are general pattern recognition techniques that could apply to any field.
Applications – This section presents examples of applications using the techniques presented in part two. There is a chapter each dedicated to speech and handwriting recognition, face recognition, and video segmentation and keyframe extraction. Each chapter shows an overall system where analysis and machine learning components interact in order to accomplish a given task. Whenever possible the chapters of this part present results obtained using publicly available data and software package. This enables the reader to perform experiments similar to those presented in this book.
The beginning of each chapter starts with what the reader should understand before getting started, such as calculus and chapter four in the case of chapter eleven. That is followed with a list of what the reaer should know after reading the chapter. I’d say parts one and two are quite good, but things break down a bit in part three. Granted, the subject of each of the three chapters in the final section is complex, but a few more figures and labeled algorithmic steps and maybe a little less prose might have made the specific matters of each task at hand clearer.
