توضیحات
Theory, algorithms, and applications of machine learning techniques to overcome covariate shift non-stationarity.
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.
————————————————————–
ترجمه ماشینی :
تئوری، الگوریتمها و کاربردهای تکنیکهای یادگیری ماشین برای غلبه بر غیر ثابت بودن تغییر متغیر.
با افزایش قدرت محاسبات در چند دهه گذشته، حوزه ماشین یادگیری هم در تئوری و هم در عمل به سرعت پیشرفت کرده است. روشهای یادگیری ماشین معمولاً بر این فرض استوار هستند که مکانیسم تولید داده در طول زمان تغییر نمیکند. با این حال، کاربردهای واقعی یادگیری ماشین، از جمله تشخیص تصویر، پردازش زبان طبیعی، تشخیص گفتار، کنترل ربات، و بیوانفورماتیک، اغلب این فرض رایج را نقض میکنند. مواجهه با غیر ایستایی یکی از بزرگترین چالش های یادگیری ماشین مدرن است. این کتاب بر روی یک محیط غیر ثابت خاص به نام تغییر متغیر متمرکز است، که در آن توزیع ورودیها (پرس و جوها) تغییر میکند اما توزیع شرطی خروجیها (پاسخها) بدون تغییر است، و تئوری یادگیری ماشین، الگوریتمها و کاربردهایی را برای غلبه بر این موضوع ارائه میکند. تنوع غیر ایستایی.
پس از بررسی تحقیقات پیشرفته در این زمینه، نویسندگان موضوعاتی را مورد بحث قرار میدهند که شامل یادگیری تحت تغییر متغیر، انتخاب مدل، تخمین اهمیت و یادگیری فعال است. آنها چنین کاربردهای دنیای واقعی انطباق تغییر متغیر را مانند رابط مغز و رایانه، شناسایی بلندگو و پیشبینی سن از روی تصاویر چهره توصیف میکنند. با این کتاب، آنها قصد دارند تحقیقات آینده در یادگیری ماشین، آمار و مهندسی را تشویق کنند که در تلاش برای ایجاد ماشینهای یادگیری واقعا مستقل هستند که قادر به یادگیری در شرایط غیر ثابت هستند.
tag : دانلود کتاب یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری , Download یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری , دانلود یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری , Download Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation Book , یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری دانلود , buy یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری , خرید کتاب یادگیری ماشین در محیطهای غیر ثابت: مقدمهای بر سازگاری تغییر متغیری , دانلود کتاب Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation , کتاب Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation , دانلود Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation , خرید Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation , خرید کتاب Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation ,
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.