ترجمه فارسی مقاله نمونه گیری بهینه برای تقریب حداقل مربعات

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Optimal sampling for least-squares approximation
عنوان مقاله به فارسی نمونه گیری بهینه برای تقریب حداقل مربعات
نویسندگان Ben Adcock
فرمت مقاله انگلیسی PDF
تعداد صفحات 45
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Numerical Analysis,یادگیری ماشین , یادگیری ماشین , تجزیه و تحلیل عددی ,
توضیحات Submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Least-squares approximation is one of the most important methods for recovering an unknown function from data. While in many applications the data is fixed, in many others there is substantial freedom to choose where to sample. In this paper, we review recent progress on optimal sampling for (weighted) least-squares approximation in arbitrary linear spaces. We introduce the Christoffel function as a key quantity in the analysis of (weighted) least-squares approximation from random samples, then show how it can be used to construct sampling strategies that possess near-optimal sample complexity: namely, the number of samples scales log-linearly in $n$, the dimension of the approximation space. We discuss a series of variations, extensions and further topics, and throughout highlight connections to approximation theory, machine learning, information-based complexity and numerical linear algebra. Finally, motivated by various contemporary applications, we consider a generalization of the classical setting where the samples need not be pointwise samples of a scalar-valued function, and the approximation space need not be linear. We show that even in this significantly more general setting suitable generalizations of the Christoffel function still determine the sample complexity. This provides a unified procedure for designing improved sampling strategies for general recovery problems. This article is largely self-contained, and intended to be accessible to nonspecialists.

چکیده به فارسی (ترجمه ماشینی)

تقریب حداقل مربعات یکی از مهمترین روش ها برای بازیابی یک عملکرد ناشناخته از داده ها است.در حالی که در بسیاری از برنامه ها داده ها ثابت است ، در بسیاری دیگر آزادی قابل توجهی برای انتخاب محل نمونه وجود دارد.در این مقاله ، ما پیشرفت های اخیر در نمونه برداری بهینه برای تقریب حداقل مربعات (وزنی) در فضاهای خطی دلخواه را مرور می کنیم.ما عملکرد Christoffel را به عنوان یک مقدار کلیدی در تجزیه و تحلیل تقریب (وزنی) حداقل مربعات از نمونه های تصادفی معرفی می کنیم ، سپس نشان می دهیم که چگونه می توان از آن برای ساخت استراتژی های نمونه برداری استفاده کرد که دارای پیچیدگی نمونه تقریباً بهینه هستند: یعنی تعداد مقیاس نمونه هابه صورت خطی در $ n $ ، ابعاد فضای تقریبی.ما در مورد یک سری از تغییرات ، پسوندها و مباحث بیشتر ، و در کل اتصالات برجسته به تئوری تقریب ، یادگیری ماشین ، پیچیدگی مبتنی بر اطلاعات و جبر خطی عددی بحث می کنیم.سرانجام ، با انگیزه توسط برنامه های مختلف معاصر ، ما تعمیم در محیط کلاسیک را در نظر می گیریم که در آن نمونه ها نیازی به نمونه ای از یک عملکرد با ارزش مقیاس ندارند و فضای تقریب نیازی به خطی نیست.ما نشان می دهیم که حتی در این تنظیمات عمومی به طور قابل توجهی عمومی تر عملکرد مناسب از عملکرد کریستوفل هنوز پیچیدگی نمونه را تعیین می کند.این یک روش یکپارچه برای طراحی استراتژی های نمونه برداری بهبود یافته برای مشکلات بازیابی عمومی فراهم می کند.این مقاله عمدتاً خودمختار است و در نظر گرفته شده است که برای افراد غیر متخصص قابل دسترسی باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.