دانلود کتاب Combining Pattern Classifiers: Methods and Algorithms

ترجمه فارسی توضیحات (ترجمه ماشینی)

ترکیب طبقه‌بندی‌کننده‌های الگو: روش‌ها و الگوریتم‌ها

درمان یکپارچه، منسجم و گسترده از روش‌های مجموعه طبقه‌بندی‌کننده فعلی

مرتب‌سازی نامه، خواندن آزمایش پزشکی، تشخیص هدف نظامی، تأیید امضا، پیش‌بینی هواشناسی، تطبیق DNA، تشخیص اثر انگشت. اینها تنها تعدادی از مناطقی هستند که به تشخیص الگوی قابل اعتماد و دقیق نیاز دارند.

اگرچه در گذشته، تشخیص الگو بر روی طراحی طبقه‌بندی‌کننده‌های منفرد متمرکز بود، اخیراً تمرکز بر ترکیب چندین طبقه‌بندی‌کننده و به دست آوردن اجماع نتایج برای دقت بیشتر بوده است. این علاقه به ترکیب طبقه‌بندی‌کننده‌ها در سال‌های اخیر به‌طور نجومی رشد کرده و به یک رشته غنی و پویا، اگر ساختار ضعیفی داشته باشد، تبدیل شده است. ترکیب طبقه‌بندی‌کننده‌های الگو: روش‌ها و الگوریتم‌ها نشان‌دهنده اولین تلاش برای ارائه یک بررسی جامع از این زمینه در حال رشد است. نویسنده به شیوه‌ای روشن و سرراست، نقشه راه بسیار مورد نیاز را از طریق موضوعی چند وجهی و اغلب بحث‌برانگیز ارائه می‌کند و در عین حال به طور مؤثری وضعیت فعلی هنر را سازماندهی و نظام‌مند می‌کند.

دربرگیرنده طیف وسیعی از روش‌شناسی، الگوریتم‌ها و نظریه‌ها، متن به سوالاتی از قبیل:

• چرا باید طبقه‌بندی‌کننده‌ها را ترکیب کنیم؟
• رویکردهای فعلی برای ساخت مجموعه‌های طبقه‌بندی کننده چیست؟ ?
• از چه روش های همجوشی می توانیم استفاده کنیم؟
• چگونه تنوع را در یک مجموعه طبقه بندی کننده اندازه گیری کنیم و آیا تنوع واقعاً عامل کلیدی موفقیت آن است؟

این متن پیشگامانه که مملو از مطالعات موردی و کاربردهای واقعی است، مورد توجه دانشگاهیان و محققان این رشته خواهد بود که هم به دنبال ابزارهای طبقه بندی جدید و هم کاربردهای جدید برای ابزارهای قدیمی هستند.

Combining Pattern Classifiers: Methods and Algorithms

A unified, coherent, and expansive treatment of current classifier ensemble methods

Mail sorting, medical test reading, military target recognition, signature verification, meteorological forecast, DNA matching, fingerprint recognition. These are just a few of the areas requiring reliable, precise pattern recognition.

Although in the past, pattern recognition has focused on designing single classifiers, recently the focus has been on combining several classifiers and getting a consensus of results for greater accuracy. This interest in combining classifiers has grown astronomically in recent years, evolving into a rich and dynamic, if loosely structured, discipline. Combining Pattern Classifiers: Methods and Algorithms represents the first attempt to provide a comprehensive survey of this fast-growing field. In a clear and straightforward manner, the author provides a much-needed road map through a multifaceted and often controversial subject while effectively organizing and systematizing the current state of the art.

Covering a broad range of methodologies, algorithms, and theories, the text addresses such questions as:

• Why should we combine classifiers?
• What are the current approaches for building classifier ensembles?
• What fusion methods can we use?
• How do we measure diversity in a classifier ensemble and is diversity really a key factor to its success?

Replete with case studies and real-world applications, this groundbreaking text will be of interest to academics and researchers in the field seeking both new classification tools and new uses for the old ones.