دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Norbert Jankowski, Krzysztof Grąbczewski (auth.), Norbert Jankowski, Włodzisław Duch, Krzysztof Gra̧bczewski (eds.) سری: Studies in Computational Intelligence 358 ISBN (شابک) : 3642209793, 9783642209796 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2011 تعداد صفحات: 370 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری متا در هوش محاسباتی: هوش محاسباتی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Meta-Learning in Computational Intelligence به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری متا در هوش محاسباتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
جامعه هوش محاسباتی (CI) صدها الگوریتم برای تجزیه و تحلیل
هوشمند داده ها ایجاد کرده است، اما هنوز بسیاری از مشکلات سخت
در بینایی کامپیوتر، پردازش سیگنال یا درک متن و چند رسانه ای،
مشکلاتی که به تکنیک های یادگیری عمیق نیاز دارند، باز
هستند.
بستههای داده کاوی مدرن شامل ماژولهای متعددی برای جمعآوری
داده، پیش پردازش، انتخاب و ساخت ویژگی، انتخاب نمونه،
طبقهبندی، روشهای ارتباط و تقریب، تکنیکهای بهینهسازی، کشف
الگو، خوشهبندی، تجسم و پس پردازش هستند. یک بسته داده کاوی
بزرگ امکان ترکیب کردن این ماژول ها را برای میلیاردها روش
فراهم می کند. هیچ متخصص انسانی نمی تواند ادعا کند که همه
احتمالات در فرآیند کشف دانش را کشف و درک می کند.
این جایی است که الگوریتمهایی که یاد میگیرند چگونه یاد
بگیرند کمک میکنند.
این الگوریتمها با عملکرد در فضای تمامی تبدیلهای دادههای
موجود و تکنیکهای بهینهسازی، از فرادانش در مورد فرآیندهای
یادگیری استفاده میکنند که به طور خودکار از تجربه حل مسائل
مختلف استخراج میشوند. استنباطهایی در مورد تبدیلهای مفید در
زمینههای مختلف به ساخت الگوریتمهای یادگیری کمک میکند که
میتواند جنبههای مختلف دانش پنهان در دادهها را کشف کند. فرا
یادگیری تمرکز کل حوزه CI را از الگوریتم های یادگیری فردی به
سطح بالاتر یادگیری نحوه یادگیری تغییر می دهد.
این کتاب روندهای نظری و عملی جدیدی را در فرا یادگیری تعریف و
آشکار می کند و خوانندگان را برای تحقیقات بیشتر در این زمینه
هیجان انگیز ترغیب می کند.
Computational Intelligence (CI) community has developed
hundreds of algorithms for intelligent data analysis, but
still many hard problems in computer vision, signal
processing or text and multimedia understanding, problems
that require deep learning techniques, are open.
Modern data mining packages contain numerous modules for data
acquisition, pre-processing, feature selection and
construction, instance selection, classification, association
and approximation methods, optimization techniques, pattern
discovery, clusterization, visualization and post-processing.
A large data mining package allows for billions of ways in
which these modules can be combined. No human expert can
claim to explore and understand all possibilities in the
knowledge discovery process.
This is where algorithms that learn how to learnl come to
rescue.
Operating in the space of all available data transformations
and optimization techniques these algorithms use
meta-knowledge about learning processes automatically
extracted from experience of solving diverse problems.
Inferences about transformations useful in different contexts
help to construct learning algorithms that can uncover
various aspects of knowledge hidden in the data.
Meta-learning shifts the focus of the whole CI field from
individual learning algorithms to the higher level of
learning how to learn.
This book defines and reveals new theoretical and practical
trends in meta-learning, inspiring the readers to further
research in this exciting field.
Front Matter....Pages -
Universal Meta-Learning Architecture and Algorithms....Pages 1-76
Meta-Learning of Instance Selection for Data Summarization....Pages 77-95
Choosing the Metric: A Simple Model Approach....Pages 97-115
Meta-Learning Architectures: Collecting, Organizing and Exploiting Meta-Knowledge....Pages 117-155
Computational Intelligence for Meta-Learning: A Promising Avenue of Research....Pages 157-177
Self-organization of Supervised Models....Pages 179-223
Selecting Machine Learning Algorithms Using the Ranking Meta-Learning Approach....Pages 225-243
A Meta-Model Perspective and Attribute Grammar Approach to Facilitating the Development of Novel Neural Network Models....Pages 245-272
Ontology-Based Meta-Mining of Knowledge Discovery Workflows....Pages 273-315
Optimal Support Features for Meta-Learning....Pages 317-358
Back Matter....Pages -