دانلود کتاب Kernel Based Algorithms for Mining Huge Data Sets: Supervised, Semi-supervised, and Unsupervised Learning

ترجمه فارسی توضیحات (ترجمه ماشینی)

الگوریتم های مبتنی بر هسته برای استخراج مجموعه داده های عظیم: یادگیری تحت نظارت، نیمه نظارت و بدون نظارت

«الگوریتم‌های مبتنی بر هسته برای استخراج مجموعه‌های داده عظیم» اولین کتابی است که زمینه‌های یادگیری ماشینی تحت نظارت، نیمه نظارت و بدون نظارت را به طور جمعی بررسی می‌کند. این کتاب هم تئوری و هم الگوریتم‌های استخراج مجموعه داده‌های عظیم را با استفاده از ماشین‌های بردار پشتیبان (SVM) به روشی تکراری ارائه می‌کند. این نشان می‌دهد که چگونه SVM‌های مبتنی بر هسته می‌توانند برای کاهش ابعاد (حذف ویژگی) استفاده شوند و شباهت‌ها و تفاوت‌های بین دو روش محبوب بدون نظارت، تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه و تحلیل مؤلفه‌های مستقل (ICA) را نشان می‌دهد. این کتاب با ارائه مثال‌های مختلف، نرم‌افزار، راه‌حل‌های الگوریتمی، خواننده را قادر می‌سازد تا کدهای خود را برای حل مسائل ایجاد کند. این کتاب با یک وب‌سایت برای دانلود داده‌ها و نرم‌افزار برای مدل‌سازی مجموعه‌های داده عظیم به شیوه‌ای نظارت شده و نیمه‌نظارتی، و همچنین روتین‌های PCA و ICA مبتنی بر متلب برای یادگیری بدون نظارت همراه است. این کتاب بر طیف گسترده‌ای از الگوریتم‌های یادگیری ماشین تمرکز دارد و به‌ویژه دانش‌آموزان، دانشمندان و محققین حرفه‌ای در بیوانفورماتیک (ریزآرایه‌های ژن)، طبقه‌بندی متن، تشخیص اعداد، و همچنین در ترکیب‌زدایی تصاویر و سیگنال‌های صوتی مورد توجه قرار گرفته است. (جداسازی منبع کور) مناطق.

Kernel Based Algorithms for Mining Huge Data Sets: Supervised, Semi-supervised, and Unsupervised Learning

“Kernel Based Algorithms for Mining Huge Data Sets” is the first book treating the fields of supervised, semi-supervised and unsupervised machine learning collectively. The book presents both the theory and the algorithms for mining huge data sets by using support vector machines (SVMs) in an iterative way. It demonstrates how kernel based SVMs can be used for dimensionality reduction (feature elimination) and shows the similarities and differences between the two most popular unsupervised techniques, the principal component analysis (PCA) and the independent component analysis (ICA). The book presents various examples, software, algorithmic solutions enabling the reader to develop their own codes for solving the problems. The book is accompanied by a website for downloading both data and software for huge data sets modeling in a supervised and semisupervised manner, as well as MATLAB based PCA and ICA routines for unsupervised learning. The book focuses on a broad range of machine learning algorithms and it is particularly aimed at students, scientists, and practicing researchers in bioinformatics (gene microarrays), text-categorization, numerals recognition, as well as in the images and audio signals de-mixing (blind source separation) areas.