دانلود کتاب Oracle Inequalities in Empirical Risk Minimization and Sparse Recovery Problems: École d’Été de Probabilités de Saint-Flour XXXVIII-2008 (به فارسی: نابرابری های اوراکل در مسائل تجربی کمینه سازی ریسک و بازیابی پراکنده: مدرسه تابستانی احتمالات سنت فلور XXXVIII-2008) نوشته شده توسط «Vladimir Koltchinskii (auth.)»
اطلاعات کتاب نابرابری های اوراکل در مسائل تجربی کمینه سازی ریسک و بازیابی پراکنده: مدرسه تابستانی احتمالات سنت فلور XXXVIII-2008
موضوع اصلی: ریاضیات
نوع: کتاب الکترونیکی
ناشر: Springer-Verlag Berlin Heidelberg
نویسنده: Vladimir Koltchinskii (auth.)
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2011
تعداد صفحه: 254 / 267
حجم فایل: 1.58 مگابایت
کد کتاب: 3642221467 , 9783642221460
نوبت چاپ: 1
توضیحات کتاب نابرابری های اوراکل در مسائل تجربی کمینه سازی ریسک و بازیابی پراکنده: مدرسه تابستانی احتمالات سنت فلور XXXVIII-2008
هدف از این یادداشت‌های سخنرانی ارائه مقدمه‌ای بر تئوری کلی کمینه‌سازی ریسک تجربی با تأکید بر محدودیت‌های اضافی ریسک و نابرابری‌های اوراکل در مسائل جریمه‌شده است. در سال‌های اخیر، پیشرفت‌های جدیدی در این زمینه با انگیزه مطالعه کلاس‌های جدید روش‌ها در یادگیری ماشین مانند روش‌های طبقه‌بندی حاشیه بزرگ (تقویت، ماشین‌های هسته) رخ داده است. ابزارهای احتمالی اصلی درگیر در تجزیه و تحلیل این مسائل، نابرابری های تمرکز و انحراف توسط تالاگراند به همراه سایر روش های نظریه فرآیندهای تجربی (نابرابری های تقارن، نابرابری انقباضی برای مجموع رادماچر، آنتروپی و کران های زنجیره ای عمومی) هستند. بازیابی پراکنده بر اساس جریمه‌سازی نوع l_1 و بازیابی ماتریس رتبه پایین براساس جریمه‌سازی هنجار هسته‌ای از دیگر حوزه‌های فعال پژوهشی است که مشکلات اصلی را می‌توان در چارچوب به حداقل رساندن ریسک تجربی جریمه‌شده بیان کرد و نابرابری‌های تمرکز و ابزارهای فرآیندهای تجربی را نشان داد. ثابت شد که بسیار مفید است.
The purpose of these lecture notes is to provide an introduction to the general theory of empirical risk minimization with an emphasis on excess risk bounds and oracle inequalities in penalized problems. In recent years, there have been new developments in this area motivated by the study of new classes of methods in machine learning such as large margin classification methods (boosting, kernel machines). The main probabilistic tools involved in the analysis of these problems are concentration and deviation inequalities by Talagrand along with other methods of empirical processes theory (symmetrization inequalities, contraction inequality for Rademacher sums, entropy and generic chaining bounds). Sparse recovery based on l_1-type penalization and low rank matrix recovery based on the nuclear norm penalization are other active areas of research, where the main problems can be stated in the framework of penalized empirical risk minimization, and concentration inequalities and empirical processes tools have proved to be very useful.
