توضیحات
This book shows machine learning enthusiasts and practitioners how to get the best of both worlds by deriving Fisher kernels from deep learning models. In addition, the book shares insight on how to store and retrieve large-dimensional Fisher vectors using feature selection and compression techniques. Feature selection and feature compression are two of the most popular off-the-shelf methods for reducing datas high-dimensional memory footprint and thus making it suitable for large-scale visual retrieval and classification. Kernel methods long remained the de facto standard for solving large-scale object classification tasks using low-level features, until the revival of deep models in 2006. Later, they made a comeback with improved Fisher vectors in 2010. However, their supremacy was always challenged by various versions of deep models, now considered to be the state of the art for solving various machine learning and computer vision tasks. Although the two research paradigms differ significantly, the excellent performance of Fisher kernels on the Image Net large-scale object classification dataset has caught the attention of numerous kernel practitioners, and many have drawn parallels between the two frameworks for improving the empirical performance on benchmark classification tasks. Exploring concrete examples on different data sets, the book compares the computational and statistical aspects of different dimensionality reduction approaches and identifies metrics to show which approach is superior to the other for Fisher vector encodings. It also provides references to some of the most useful resources that could provide practitioners and machine learning enthusiasts a quick start for learning and implementing a variety of deep learning models and kernel functions.
————————————————————–
ترجمه ماشینی :
این کتاب به علاقه مندان و متخصصان یادگیری ماشینی نشان می دهد که چگونه با استخراج هسته های فیشر از مدل های یادگیری عمیق، بهترین ها را از هر دو جهان به دست آورند. علاوه بر این، این کتاب بینشی در مورد نحوه ذخیره و بازیابی بردارهای فیشر با ابعاد بزرگ با استفاده از تکنیکهای انتخاب ویژگی و فشردهسازی به اشتراک میگذارد. انتخاب ویژگی و فشردهسازی ویژگی، دو مورد از محبوبترین روشهای خارج از قفسه برای کاهش ردپای حافظه با ابعاد بالا و در نتیجه مناسب کردن آن برای بازیابی و طبقهبندی بصری در مقیاس بزرگ هستند. روشهای هسته تا زمان احیای مدلهای عمیق در سال 2006، مدتها استاندارد عملی برای حل وظایف طبقهبندی اشیا در مقیاس بزرگ با استفاده از ویژگیهای سطح پایین باقی ماندند. بعداً، آنها با بردارهای فیشر بهبودیافته در سال 2010 بازگشتند. با این حال، برتری آنها همیشه توسط نسخههای مختلف مدلهای عمیق به چالش کشیده میشد، که اکنون
tag : دانلود کتاب ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک , Download ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک , دانلود ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک , Download Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach Book , ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک دانلود , buy ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک , خرید کتاب ساخت هسته های فیشر از مدل های عصبی عمیق: رویکرد یک پزشک , دانلود کتاب Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach , کتاب Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach , دانلود Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach , خرید Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach , خرید کتاب Composing Fisher Kernels from Deep Neural Models: A Practitioner’s Approach ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.