توضیحات
This book develops two key machine learning principles: the semi-supervised paradigm and learning with interdependent data. It reveals new applications, primarily web related, that transgress the classical machine learning framework through learning with interdependent data.
The book traces how the semi-supervised paradigm and the learning to rank paradigm emerged from new web applications, leading to a massive production of heterogeneous textual data. It explains how semi-supervised learning techniques are widely used, but only allow a limited analysis of the information content and thus do not meet the demands of many web-related tasks.
Later chapters deal with the development of learning methods for ranking entities in a large collection with respect to precise information needed. In some cases, learning a ranking function can be reduced to learning a classification function over the pairs of examples. The book proves that this task can be efficiently tackled in a new framework: learning with interdependent data.
Researchers and professionals in machine learning will find these new perspectives and solutions valuable. Learning with Partially Labeled and Interdependent Data is also useful for advanced-level students of computer science, particularly those focused on statistics and learning.
————————————————————–
ترجمه ماشینی :
این کتاب دو اصل کلیدی یادگیری ماشین را توسعه میدهد: پارادایم نیمهنظارتشده و یادگیری با دادههای وابسته به هم. این برنامههای کاربردی جدید، عمدتاً مرتبط با وب را نشان میدهد که از چارچوب یادگیری ماشین کلاسیک از طریق یادگیری با دادههای وابسته به یکدیگر تخطی میکنند.
این کتاب نشان میدهد که چگونه پارادایم نیمهنظارتشده و یادگیری رتبهبندی پارادایم از برنامههای کاربردی وب جدید پدید آمدند، که منجر به تولید گسترده دادههای متنی ناهمگن شد. توضیح میدهد که چگونه تکنیکهای یادگیری نیمهنظارتی بهطور گسترده مورد استفاده قرار میگیرند، اما تنها امکان تجزیه و تحلیل محدود محتوای اطلاعاتی را فراهم میکنند و بنابراین نیازهای بسیاری از وظایف مرتبط با وب را برآورده نمیکنند.
فصلهای بعدی به توسعه روش های یادگیری برای رتبه بندی نهادها در یک مجموعه بزرگ با توجه به اطلاعات دقیق مورد نیاز. در برخی موارد، یادگیری یک تابع رتبهبندی را میتوان به یادگیری یک تابع طبقهبندی بر روی جفت مثال تقلیل داد. این کتاب ثابت میکند که این کار را میتوان به طور مؤثر در چارچوبی جدید حل کرد: یادگیری با دادههای وابسته به هم.
محققان و متخصصان یادگیری ماشین این دیدگاهها و راهحلهای جدید را ارزشمند خواهند یافت. یادگیری با دادههای جزئی برچسبگذاری شده و وابسته به هم برای دانشج
tag : دانلود کتاب یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر , Download یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر , دانلود یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر , Download Learning with Partially Labeled and Interdependent Data Book , یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر دانلود , buy یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر , خرید کتاب یادگیری با داده های جزئی برچسب گذاری شده و وابسته به یکدیگر , دانلود کتاب Learning with Partially Labeled and Interdependent Data , کتاب Learning with Partially Labeled and Interdependent Data , دانلود Learning with Partially Labeled and Interdependent Data , خرید Learning with Partially Labeled and Interdependent Data , خرید کتاب Learning with Partially Labeled and Interdependent Data ,
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.