کتاب یادگیری ماشین در محیط‌های غیرثابت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

 
دانلود کتاب Machine Learning in Non-Stationary Environments

عنوان کتاب به انگلیسی:

Machine Learning in Non-Stationary Environments

سال انتشار: 2012  |  280 صفحه  |  حجم فایل: 12 مگابایت  |  زبان: انگلیسی
نویسنده Masashi Sugiyama, Motoaki Kawanabe
ناشر The MIT Press
ISBN10: 0262017091
ISBN13: 9780262017091

توضیحات کتاب

As the power of computing has grown over the past few decades, the field of machine learning has advanced rapidly in both theory and practice. Machine learning methods are usually based on the assumption that the data generation mechanism does not change over time. Yet real-world applications of machine learning, including image recognition, natural language processing, speech recognition, robot control, and bioinformatics, often violate this common assumption. Dealing with non-stationarity is one of modern machine learning's greatest challenges. This book focuses on a specific non-stationary environment known as covariate shift, in which the distributions of inputs (queries) change but the conditional distribution of outputs (answers) is unchanged, and presents machine learning theory, algorithms, and applications to overcome this variety of non-stationarity. After reviewing the state-of-the-art research in the field, the authors discuss topics that include learning under covariate shift, model selection, importance estimation, and active learning. They describe such real world applications of covariate shift adaption as brain-computer interface, speaker identification, and age prediction from facial images. With this book, they aim to encourage future research in machine learning, statistics, and engineering that strives to create truly autonomous learning machines able to learn under non-stationarity.

توضیحات کتاب به فارسی (ترجمه ماشینی)

با افزایش قدرت محاسبات طی چند دهه گذشته ، زمینه یادگیری ماشین به سرعت در تئوری و عمل پیشرفت کرده است.روشهای یادگیری ماشین معمولاً مبتنی بر این فرض است که مکانیسم تولید داده با گذشت زمان تغییر نمی کند.با این حال ، کاربردهای دنیای واقعی یادگیری ماشین ، از جمله تشخیص تصویر ، پردازش زبان طبیعی ، تشخیص گفتار ، کنترل ربات و بیوانفورماتیک ، اغلب این فرض مشترک را نقض می کند.مقابله با عدم تحمل یکی از بزرگترین چالش های یادگیری ماشین مدرن است.این کتاب بر یک محیط غیر ثابت خاص معروف به تغییر متغیر متغیر متمرکز است ، که در آن توزیع ورودی ها (نمایش داده شد) تغییر می کند اما توزیع مشروط خروجی ها (پاسخ ها) بدون تغییر است و تئوری یادگیری ماشین ، الگوریتم ها و برنامه های کاربردی را برای غلبه بر این ارائه می دهدتنوع غیر ثابت بودن.پس از بررسی تحقیقات پیشرفته در این زمینه ، نویسندگان در مورد موضوعاتی که شامل یادگیری تحت تغییر متغیر ، انتخاب مدل ، برآورد اهمیت و یادگیری فعال است ، بحث می کنند.آنها چنین کاربردهای دنیای واقعی سازگاری تغییر متغیر را به عنوان رابط مغز و رایانه ، شناسایی بلندگو و پیش بینی سن از تصاویر صورت توصیف می کنند.با هدف این کتاب ، آنها با هدف تشویق تحقیقات آینده در یادگیری ماشین ، آمار و مهندسی که تلاش می کند دستگاه های یادگیری واقعاً خودمختار ایجاد کنند که بتوانند تحت غیرقانونی یاد بگیرند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر کتاب 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.