دانلود کتاب Machine Learning Challenges. Evaluating Predictive Uncertainty, Visual Object Classification, and Recognising Tectual Entailment: First PASCAL Machine Learning Challenges Workshop, MLCW 2005, Southampton, UK, April 11-13, 2005, Revised Selected Papers

ترجمه فارسی توضیحات (ترجمه ماشینی)

چالش های یادگیری ماشین ارزیابی عدم قطعیت پیش‌بینی‌کننده، طبقه‌بندی اشیاء بصری، و شناخت دلبستگی‌های فکری: اولین کارگاه چالش‌های یادگیری ماشین PASCAL، MLCW 2005، ساوتهمپتون، انگلستان، 11-13 آوریل، 2005، مقالات منتخب تجدیدنظر شده

این کتاب، کارگاه چالش‌های یادگیری ماشینی اولین PASCAL (تحلیل الگو، مدل‌سازی آماری و یادگیری محاسباتی) را تشکیل می‌دهد، MLCW 2005، که در آوریل 2005 در ساوتهمپتون، انگلستان برگزار شد.

25 مقاله کامل اصلاح شده ارائه شده طی دو دور بررسی و بهبود از بین حدود 50 مقاله ارسالی به دقت انتخاب شدند. مقالات منعکس کننده مفاهیم سه چالشی است که در کارگاه به آنها پرداخته شده است: یافتن یک مبنای ارزیابی بر اساس عدم قطعیت پیش‌بینی‌ها با استفاده از آمار کلاسیک، استنتاج بیزی، و نظریه یادگیری آماری. چالش دوم تشخیص اشیاء از تعدادی از کلاس های اشیاء بصری در صحنه های واقع گرایانه بود. چالش سوم شناخت دلالت های متنی به تحلیل معنایی زبان می پردازد تا چارچوبی کلی برای استنتاج معنایی کاربردی در درک متن ایجاد کند.

Machine Learning Challenges. Evaluating Predictive Uncertainty, Visual Object Classification, and Recognising Tectual Entailment: First PASCAL Machine Learning Challenges Workshop, MLCW 2005, Southampton, UK, April 11-13, 2005, Revised Selected Papers

This book constitutes the thoroughly refereed post-proceedings of the First PASCAL (pattern analysis, statistical modelling and computational learning) Machine Learning Challenges Workshop, MLCW 2005, held in Southampton, UK in April 2005.

The 25 revised full papers presented were carefully selected during two rounds of reviewing and improvement from about 50 submissions. The papers reflect the concepts of three challenges dealt with in the workshop: finding an assessment base on the uncertainty of predictions using classical statistics, Bayesian inference, and statistical learning theory; the second challenge was to recognize objects from a number of visual object classes in realistic scenes; the third challenge of recognizing textual entailment addresses semantic analysis of language to form a generic framework for applied semantic inference in text understanding.