دانلود کتاب Kernels for structured data
49,000 تومان
هسته برای داده های ساخت یافته
| موضوع اصلی | سازمان و پردازش داده ها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | World Scientific |
| تعداد صفحه | 216 |
| حجم فایل | 1 مگابایت |
| کد کتاب | 9812814558,9789812814555 |
| نویسنده | Thomas Gärtner |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2008 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
ترجمه فارسی توضیحات (ترجمه ماشینی)
هسته برای داده های ساخت یافته
این کتاب درمان منحصر به فردی از یک حوزه مهم از یادگیری ماشین ارائه می دهد و به این سوال پاسخ می دهد که چگونه روش های هسته را می توان برای داده های ساخت یافته اعمال کرد. روشهای کرنل کلاسی از الگوریتمهای یادگیری پیشرفته هستند که نتایج یادگیری عالی را در چندین حوزه کاربردی نشان میدهند. در ابتدا، روشهای هسته با در نظر گرفتن دادههایی که به راحتی میتوانند در فضای برداری اقلیدسی جاسازی شوند، توسعه داده شدند. بسیاری از داده های دنیای واقعی این ویژگی را ندارند، اما به طور ذاتی ساختار یافته اند. نمونهای از چنین دادههایی که اغلب در کتاب مورد بررسی قرار میگیرد، ساختار نموداری (2 بعدی) مولکولها است که توسط اتمها و پیوندهایشان تشکیل شدهاند. این کتاب خواننده را از اصول روش های هسته به الگوریتم های پیشرفته و طراحی هسته برای داده های ساختاریافته راهنمایی می کند. بنابراین برای خوانندگانی که به دنبال یک نقطه ورود به این حوزه هستند و همچنین محققان با تجربه مفید است.
مطالب: چرا هسته برای داده های ساختاریافته؟ روش های هسته به طور خلاصه. طراحی هسته؛ هسته های اصطلاح پایه; هسته های نمودار
Kernels for structured data
This book provides a unique treatment of an important area of machine learning and answers the question of how kernel methods can be applied to structured data. Kernel methods are a class of state-of-the-art learning algorithms that exhibit excellent learning results in several application domains. Originally, kernel methods were developed with data in mind that can easily be embedded in a Euclidean vector space. Much real-world data does not have this property but is inherently structured. An example of such data, often consulted in the book, is the (2D) graph structure of molecules formed by their atoms and bonds. The book guides the reader from the basics of kernel methods to advanced algorithms and kernel design for structured data. It is thus useful for readers who seek an entry point into the field as well as experienced researchers.
Contents: Why Kernels for Structured Data?; Kernel Methods in a Nutshell; Kernell Design; Basic Term Kernels; Graph Kernels.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.