توضیحات
Fundamental theory and practical algorithms of weakly supervised classification, emphasizing an approach based on empirical risk minimization.
Standard machine learning techniques require large amounts of labeled data to work well. When we apply machine learning to problems in the physical world, however, it is extremely difficult to collect such quantities of labeled data. In this book Masashi Sugiyama, Han Bao, Takashi Ishida, Nan Lu, Tomoya Sakai and Gang Niu present theory and algorithms for weakly supervised learning, a paradigm of machine learning from weakly labeled data. Emphasizing an approach based on empirical risk minimization and drawing on state-of-the-art research in weakly supervised learning, the book provides both the fundamentals of the field and the advanced mathematical theories underlying them. It can be used as a reference for practitioners and researchers and in the classroom.
The book first mathematically formulates classification problems, defines common notations, and reviews various algorithms for supervised binary and multiclass classification. It then explores problems of binary weakly supervised classification, including positive-unlabeled (PU) classification, positive-negative-unlabeled (PNU) classification, and unlabeled-unlabeled (UU) classification. It then turns to multiclass classification, discussing complementary-label (CL) classification and partial-label (PL) classification. Finally, the book addresses more advanced issues, including a family of correction methods to improve the generalization performance of weakly supervised learning and the problem of class-prior estimation.
————————————————————–
ترجمه ماشینی :
نظریه بنیادی و الگوریتمهای عملی طبقهبندی با نظارت ضعیف، با تأکید بر رویکردی مبتنی بر به حداقل رساندن ریسک تجربی.
تکنیکهای استاندارد یادگیری ماشین به مقادیر زیادی از دادههای برچسبگذاری شده نیاز دارند تا به خوبی کار کنند. با این حال، وقتی یادگیری ماشین را برای مشکلات دنیای فیزیکی اعمال می کنیم، جمع آوری چنین مقادیری از داده های برچسب گذاری شده بسیار دشوار است. در این کتاب Masashi Sugiyama، Han Bao، Takashi Ishida، Nan Lu، Tomoya Sakai و Gang Niu نظریه و الگوریتمهایی را برای یادگیری با نظارت ضعیف ارائه میکنند، الگوی یادگیری ماشین از دادههای دارای برچسب ضعیف. این کتاب با تاکید بر رویکردی مبتنی بر به حداقل رساندن ریسک تجربی و استفاده از تحقیقات پیشرفته در یادگیری با نظارت ضعیف، هم مبانی این رشته و هم نظریههای ریاضی پیشرفتهای را ارائه میکند. این کتاب می تواند به عنوان مرجعی برای پزشکان و محققان و در کلاس درس استفاده شود.
این کتاب ابتدا مسائل طبقه بندی را به صورت ریاضی فرموله می کند، نمادهای رایج را تعریف می کند و الگوریتم های مختلف را برای طبقه بندی باینری و چند طبقه نظارت شده بررسی می کند. سپس مشکلات طبقهبندی باینری با نظارت ضعیف را بررسی میکند، از جمله طبقهبندی مثبت-بدون برچسب (PU)، طبقهبندی مثبت-منفی-بدون برچسب (PNU) و طبقهبندی بدون برچسب-ب
tag : دانلود کتاب یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک , Download یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک , دانلود یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک , Download Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach Book , یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک دانلود , buy یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک , خرید کتاب یادگیری ماشینی از نظارت ضعیف: رویکرد تجربی به حداقل رساندن ریسک , دانلود کتاب Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach , کتاب Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach , دانلود Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach , خرید Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach , خرید کتاب Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.