کتاب الکترونیکی

روشهای نزدیکترین همسایه در یادگیری و بینایی

Nearest-Neighbor Methods in Learning and Vision

دانلود کتاب Nearest-Neighbor Methods in Learning and Vision (به فارسی: روشهای نزدیکترین همسایه در یادگیری و بینایی) نوشته شده توسط «Gregory Shakhnarovich – Trevor Darrell – Piotr Indyk»

اطلاعات کتاب روشهای نزدیکترین همسایه در یادگیری و بینایی

موضوع اصلی: تحصیلات

نوع: کتاب الکترونیکی

ناشر: The MIT Press

نویسنده: Gregory Shakhnarovich – Trevor Darrell – Piotr Indyk

زبان: English

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

سال انتشار: 2006

تعداد صفحه: 263

حجم کتاب: 29 مگابایت

کد کتاب: 9780262195478 , 026219547X

نوبت چاپ: illustrated edition

توضیحات کتاب روشهای نزدیکترین همسایه در یادگیری و بینایی

روش‌های رگرسیون و طبقه‌بندی بر اساس شباهت ورودی به نمونه‌های ذخیره‌شده، به طور گسترده در برنامه‌هایی که شامل مجموعه‌های بسیار بزرگی از داده‌های با ابعاد بالا هستند، استفاده نشده است. با این حال، پیشرفت‌های اخیر در هندسه محاسباتی و یادگیری ماشین ممکن است مشکلات استفاده از این روش‌ها را در مجموعه داده‌های بزرگ کاهش دهد. این جلد بحث‌های نظری و عملی روش‌های نزدیک‌ترین همسایه (NN) را در یادگیری ماشین ارائه می‌کند و بینایی کامپیوتر را به عنوان یک حوزه کاربردی بررسی می‌کند که در آن مزایای این روش‌های پیشرفته اغلب چشمگیر است. این کمک‌های محققان در تئوری محاسبات، یادگیری ماشین و بینایی کامپیوتر را با هدف پر کردن شکاف‌ها بین رشته‌ها و ارائه روش‌های پیشرفته برای کاربردهای نوظهور گرد هم می‌آورد.
مشارکت‌کنندگان بر اهمیت طراحی الگوریتم‌هایی برای جستجوی NN، و برای طبقه‌بندی، رگرسیون، و وظایف مربوط به بازیابی تمرکز می‌کنند، که حتی با افزایش تعداد نقاط یا ابعاد داده‌ها، کارآمد باقی می‌مانند. این کتاب با دو فصل نظری در مورد هندسه محاسباتی آغاز می‌شود و سپس راه‌هایی را برای عملی کردن رویکرد NN در کاربردهای یادگیری ماشینی که ابعاد داده‌ها و اندازه مجموعه‌های داده، روش‌های ساده برای جستجوی NN را بسیار گران می‌کند، بررسی می‌کند. فصل‌های پایانی کاربردهای موفقیت‌آمیز یک الگوریتم NN، هش حساس به محلی (LSH) را برای وظایف بینایی توصیف می‌کنند.

Regression and classification methods based on similarity of the input to stored examples have not been widely used in applications involving very large sets of high-dimensional data. Recent advances in computational geometry and machine learning, however, may alleviate the problems in using these methods on large data sets. This volume presents theoretical and practical discussions of nearest-neighbor (NN) methods in machine learning and examines computer vision as an application domain in which the benefit of these advanced methods is often dramatic. It brings together contributions from researchers in theory of computation, machine learning, and computer vision with the goals of bridging the gaps between disciplines and presenting state-of-the-art methods for emerging applications.
The contributors focus on the importance of designing algorithms for NN search, and for the related classification, regression, and retrieval tasks, that remain efficient even as the number of points or the dimensionality of the data grows very large. The book begins with two theoretical chapters on computational geometry and then explores ways to make the NN approach practicable in machine learning applications where the dimensionality of the data and the size of the data sets make the naïve methods for NN search prohibitively expensive. The final chapters describe successful applications of an NN algorithm, locality-sensitive hashing (LSH), to vision tasks.

دانلود کتاب «روشهای نزدیکترین همسایه در یادگیری و بینایی»

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