دانلود کتاب Dataset Shift in Machine Learning

ترجمه فارسی (ترجمه ماشینی)

تغییر مجموعه داده یک مشکل رایج در مدل‌سازی پیش‌بینی‌کننده است که زمانی رخ می‌دهد که توزیع مشترک ورودی‌ها و خروجی‌ها بین مراحل آموزشی و آزمایشی متفاوت باشد. تغییر متغیر کمکی، یک مورد خاص از جابجایی مجموعه داده ها، زمانی رخ می دهد که فقط توزیع ورودی تغییر کند. تغییر مجموعه داده در اکثر کاربردهای عملی وجود دارد، به دلایلی از تعصب ارائه شده توسط طراحی تجربی تا تکرارناپذیری شرایط آزمایش در زمان آموزش. (مثال فیلتر هرزنامه ایمیل – است که ممکن است هرزنامه هایی را که از نظر شکل متفاوت از هرزنامه هایی که فیلتر خودکار روی آن ساخته شده است، تشخیص ندهد.) با وجود این، و با وجود توجه به مشکلات ظاهرا مشابه یادگیری نیمه نظارتی یادگیری فعال، تغییر مجموعه داده تا همین اواخر در جامعه یادگیری ماشینی توجه نسبتا کمی را به خود جلب کرده است. این جلد مروری بر تلاش‌های فعلی برای مقابله با داده‌ها و تغییر متغیرهای کمکی ارائه می‌دهد. فصل‌ها مقدمه‌ای ریاضی و فلسفی برای مسئله ارائه می‌کنند، تغییر داده‌ها را در رابطه با انتقال یادگیری، انتقال، یادگیری محلی، یادگیری فعال، و یادگیری نیمه نظارت شده قرار می‌دهند، دیدگاه‌های نظری از مجموعه داده‌ها و تغییر متغیرهای کمکی (شامل نظریه تصمیم‌گیری و دیدگاه‌های بیزی) ارائه می‌کنند. ، و الگوریتم هایی را برای تغییر متغیر ارائه دهید. شرکت کنندگان: شای بن دیوید، استفن بیکل، کارستن بورگوارد، مایکل بروکنر، دیوید کورفیلد، امیر گلوبرسون، آرتور گرتون، لارس کای هانسن، ماتیاس هاین، جیایوان هوانگ، تاکافومی کاناموری، کلاوس-رابرت مولر، نیل، ساموی روبنس، توبیاس شفر، مارسل اشمیتفول، برنهارد شلکوپف، هیدتوشی شیمودیرا، الکس اسمولا، آموس استورکی، ماساشی سوگیاما، سری پردازش اطلاعات عصبی چون هوی تئو