دانلود کتاب Meta-Learning in Computational Intelligence
کتاب فرا یادگیری در هوش محاسباتی نسخه زبان اصلی
دانلود کتاب فرا یادگیری در هوش محاسباتی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Meta-Learning in Computational Intelligence
نام کتاب : Meta-Learning in Computational Intelligence
ویرایش : 1
عنوان ترجمه شده به فارسی : فرا یادگیری در هوش محاسباتی
سری : Studies in Computational Intelligence 358
نویسندگان : Norbert Jankowski, Krzysztof Grąbczewski (auth.), Norbert Jankowski, Włodzisław Duch, Krzysztof Gra̧bczewski (eds.)
ناشر : Springer-Verlag Berlin Heidelberg
سال نشر : 2011
تعداد صفحات : 370
ISBN (شابک) : 3642209793 , 9783642209796
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 5 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.
توضیحاتی در مورد کتاب :
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.
فهرست مطالب :
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 -
توضیحاتی در مورد کتاب به زبان اصلی :
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.
پست ها تصادفی