دانلود کتاب Learning kernel classifiers: theory and algorithms

ترجمه فارسی توضیحات (ترجمه ماشینی)

طبقه‌بندی‌کننده‌های هسته یادگیری: نظریه و الگوریتم‌ها

طبقه‌بندی‌کننده‌های خطی در فضاهای هسته به عنوان یک موضوع اصلی در زمینه یادگیری ماشین ظاهر شده‌اند. تکنیک هسته، طبقه‌بندی‌کننده خطی – یک مدل محدود، اما به خوبی تثبیت‌شده و به طور جامع مورد مطالعه قرار می‌گیرد – و کاربرد آن را به طیف گسترده‌ای از وظایف تشخیص الگوی غیرخطی مانند پردازش زبان طبیعی، بینایی ماشین، و تحلیل توالی بیولوژیکی گسترش می‌دهد. این کتاب اولین مروری جامع از هر دو نظریه و الگوریتم های طبقه بندی کننده هسته، از جمله آخرین پیشرفت ها را ارائه می دهد. این کار با توصیف پیشرفت‌های الگوریتمی اصلی آغاز می‌شود: یادگیری پرسپترون هسته، تفکیک‌کننده‌های فیشر هسته، ماشین‌های بردار پشتیبان، ماشین‌های بردار مرتبط، فرآیندهای گاوسی، و ماشین‌های نقطه بیز. سپس مقدمه ای مفصل برای تئوری یادگیری، از جمله نظریه VC و PAC-Bayesian، به حداقل رساندن ریسک ساختاری وابسته به داده، و مرزهای فشرده سازی دنبال می شود. در سرتاسر این کتاب بر تعامل بین نظریه و الگوریتم ها تأکید می شود: الگوریتم های یادگیری چگونه کار می کنند و چرا. این کتاب شامل مثال‌های زیادی، شبه کد کامل الگوریتم‌های ارائه‌شده، و کتابخانه کد منبع گسترده است.

Learning kernel classifiers: theory and algorithms

Linear classifiers in kernel spaces have emerged as a major topic within the field of machine learning. The kernel technique takes the linear classifier–a limited, but well-established and comprehensively studied model–and extends its applicability to a wide range of nonlinear pattern-recognition tasks such as natural language processing, machine vision, and biological sequence analysis. This book provides the first comprehensive overview of both the theory and algorithms of kernel classifiers, including the most recent developments. It begins by describing the major algorithmic advances: kernel perceptron learning, kernel Fisher discriminants, support vector machines, relevance vector machines, Gaussian processes, and Bayes point machines. Then follows a detailed introduction to learning theory, including VC and PAC-Bayesian theory, data-dependent structural risk minimization, and compression bounds. Throughout, the book emphasizes the interaction between theory and algorithms: how learning algorithms work and why. The book includes many examples, complete pseudo code of the algorithms presented, and an extensive source code library.