دانلود کتاب Advances in Learning Theory: Methods, Models and Applications

ترجمه فارسی توضیحات (ترجمه ماشینی)

پیشرفت در تئوری یادگیری: روش ها، مدل ها و کاربردها

روش‌ها، مدل‌ها و کاربردهای جدید در تئوری یادگیری، موضوع اصلی یک موسسه مطالعات پیشرفته ناتو بود که در ژوئیه 2002 برگزار شد. مشارکت‌کنندگان در شبکه‌های عصبی، یادگیری ماشین، ریاضیات، آمار، پردازش سیگنال، و سیستم‌ها و کنترل، زمینه‌هایی از جمله را روشن کردند. پارامترهای منظم‌سازی در نظریه یادگیری، نظریه یادگیری کوچک Cucker در فضاهای Besov، تقریب ابعادی بالا توسط شبکه‌های عصبی و یادگیری عملکردی از طریق هسته‌ها. سایر موضوعات مورد بحث عبارتند از: خطای یکپارچه و پایداری الگوریتم های یادگیری با برنامه ها، طبقه بندی حداقل مربعات منظم، ماشین های بردار پشتیبان، روش های هسته برای پردازش متن، یادگیری چند کلاسه با کدهای خروجی، رگرسیون و طبقه بندی بیزی، و پیش بینی ناپارامتریک.

Advances in Learning Theory: Methods, Models and Applications

New methods, models, and applications in learning theory were the central themes of a NATO Advanced Study Institute held in July 2002. Contributors in neural networks, machine learning, mathematics, statistics, signal processing, and systems and control shed light on areas such as regularization parameters in learning theory, Cucker Smale learning theory in Besov spaces, high-dimensional approximation by neural networks, and functional learning through kernels. Other subjects discussed include leave-one-out error and stability of learning algorithms with applications, regularized least-squares classification, support vector machines, kernels methods for text processing, multiclass learning with output codes, Bayesian regression and classification, and nonparametric prediction.