دانلود کتاب تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای مشکلات رگرسیون، پیش بینی و کنترل بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems
ویرایش : 1
عنوان ترجمه شده به فارسی : تجزیه و تحلیل و طراحی تکنیک های یادگیری ماشین: راه حل های تکاملی برای مشکلات رگرسیون، پیش بینی و کنترل
سری :
نویسندگان : Patrick Stalph (auth.)
ناشر : Vieweg+Teubner Verlag
سال نشر : 2014
تعداد صفحات : 162
ISBN (شابک) : 9783658049362 , 9783658049379
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
دستکاری یا گرفتن اشیاء برای انسان ها یک کار بی اهمیت به نظر می رسد، زیرا اینها مهارت های حرکتی زندگی روزمره هستند. با این وجود، یادگیری مهارت های حرکتی برای انسان آسان نیست و این نیز یک موضوع تحقیقاتی فعال در رباتیک است. با این حال، بیشتر راهحلها برای کاربردهای صنعتی بهینهسازی شدهاند و بنابراین، توضیحات معدودی برای یادگیری انسان وجود دارد. چالش اساسی که پاتریک استالف را برمی انگیزد، از علم شناختی سرچشمه می گیرد: انسان ها چگونه مهارت های حرکتی خود را یاد می گیرند؟ نویسنده با تجزیه و تحلیل یادگیری مهارت های حرکتی با استفاده از پیاده سازی هایی که حداقل تا حدی در مغز انسان یافت می شود، بین رباتیک و علوم شناختی ارتباط برقرار می کند. بنابراین سه الگوریتم یادگیری ماشینی مناسب انتخاب میشوند - الگوریتمهایی که از دیدگاه شناختی قابل قبول هستند و برای متخصص رباتیک امکانپذیر هستند. قدرت و مقیاس پذیری آن الگوریتم ها در شبیه سازی های نظری و سناریوهای واقعی تر با ربات انسان نما iCub ارزیابی می شود. نتایج متقاعدکننده کاربرد این رویکرد را تأیید میکند، در حالی که قابل قبول بودن بیولوژیکی در گذشته مورد بحث قرار میگیرد.
Manipulating or grasping objects seems like a trivial task for humans, as these are motor skills of everyday life. Nevertheless, motor skills are not easy to learn for humans and this is also an active research topic in robotics. However, most solutions are optimized for industrial applications and, thus, few are plausible explanations for human learning. The fundamental challenge, that motivates Patrick Stalph, originates from the cognitive science: How do humans learn their motor skills? The author makes a connection between robotics and cognitive sciences by analyzing motor skill learning using implementations that could be found in the human brain – at least to some extent. Therefore three suitable machine learning algorithms are selected – algorithms that are plausible from a cognitive viewpoint and feasible for the roboticist. The power and scalability of those algorithms is evaluated in theoretical simulations and more realistic scenarios with the iCub humanoid robot. Convincing results confirm the applicability of the approach, while the biological plausibility is discussed in retrospect.