دانلود کتاب Representation discovery using harmonic analysis

ترجمه فارسی توضیحات (ترجمه ماشینی)

کشف بازنمایی با استفاده از تحلیل هارمونیک

بازنمایی ها در قلب هوش مصنوعی (AI) قرار دارند. این کتاب به مسئله کشف بازنمایی اختصاص دارد: چگونه یک سیستم هوشمند می‌تواند از تجربه خود بازنمایی بسازد؟ کشف بازنمایی، فضای حالت را مجدداً پارامترسازی می‌کند – قبل از استفاده از تکنیک‌های بازیابی اطلاعات، یادگیری ماشین یا بهینه‌سازی – فرآیندهای استنتاج بعدی را با ساختن پایه‌های ویژه کار جدید که با هندسه فضای حالت سازگار شده است، تسهیل می‌کند. این کتاب یک رویکرد کلی برای کشف نمایش با استفاده از چارچوب تحلیل هارمونیک، به ویژه تحلیل فوریه و موجک ارائه می دهد. روش‌های فشرده‌سازی بیومتریک، دیسک فشرده، اسکنر توموگرافی محوری کامپیوتری (CAT) در پزشکی، فشرده‌سازی JPEG و تحلیل طیفی داده‌های سری زمانی از جمله کاربردهای فراوان تحلیل فوریه و موجک کلاسیک هستند. هدف اصلی این کتاب نشان دادن این است که این ابزارهای تحلیلی را می توان از تنظیمات معمول آنها در فضاهای اقلیدسی (بی‌بعدی) به فضاهای گسسته (بعد محدود) که معمولاً در بسیاری از زیرشاخه‌های هوش مصنوعی مطالعه می‌شوند، تعمیم داد. تعمیم تجزیه و تحلیل هارمونیک به فضاهای گسسته چالش های زیادی را به همراه دارد: یک نمایش گسسته از فضا باید به صورت تطبیقی ​​به دست آید. توابع پایه از پیش تعریف نشده اند، بلکه باید ساخته شوند. الگوریتم‌هایی برای محاسبات مؤثر و نشان دادن پایه‌ها نیاز به مقابله با نفرین ابعاد دارند. با این حال، مزایا می تواند بیشتر از هزینه ها باشد، زیرا توابع پایه استخراج شده از پایه های پارامتریک بهتر عمل می کنند زیرا اغلب شکل نامنظم یک فضای حالت خاص را منعکس می کنند. مطالعات موردی از گرافیک کامپیوتری، بازیابی اطلاعات، یادگیری ماشین و برنامه‌ریزی فضای حالت برای نشان دادن مزایای چارچوب پیشنهادی و چالش‌هایی که باید مورد توجه قرار گیرند استفاده می‌شوند. کشف بازنمایی یک زمینه فعال در حال توسعه است و نویسنده امیدوار است این کتاب سایر محققان را تشویق کند تا این حوزه هیجان انگیز تحقیق را کشف کنند. فهرست مطالب: بررسی اجمالی / فضاهای برداری / مبانی فوریه بر روی نمودارها / مبانی چند مقیاسی بر روی نمودارها / مقیاس بندی به فضاهای بزرگ / مطالعه موردی: برنامه ریزی حالت-فضا / مطالعه موردی: گرافیک کامپیوتری / مطالعه موردی: زبان طبیعی / جهت گیری های آینده

Representation discovery using harmonic analysis

Representations are at the heart of artificial intelligence (AI). This book is devoted to the problem of representation discovery: how can an intelligent system construct representations from its experience? Representation discovery re-parameterizes the state space – prior to the application of information retrieval, machine learning, or optimization techniques – facilitating later inference processes by constructing new task-specific bases adapted to the state space geometry. This book presents a general approach to representation discovery using the framework of harmonic analysis, in particular Fourier and wavelet analysis. Biometric compression methods, the compact disc, the computerized axial tomography (CAT) scanner in medicine, JPEG compression, and spectral analysis of time-series data are among the many applications of classical Fourier and wavelet analysis. A central goal of this book is to show that these analytical tools can be generalized from their usual setting in (infinite-dimensional) Euclidean spaces to discrete (finite-dimensional) spaces typically studied in many subfields of AI. Generalizing harmonic analysis to discrete spaces poses many challenges: a discrete representation of the space must be adaptively acquired; basis functions are not pre-defined, but rather must be constructed. Algorithms for efficiently computing and representing bases require dealing with the curse of dimensionality. However, the benefits can outweigh the costs, since the extracted basis functions outperform parametric bases as they often reflect the irregular shape of a particular state space. Case studies from computer graphics, information retrieval, machine learning, and state space planning are used to illustrate the benefits of the proposed framework, and the challenges that remain to be addressed. Representation discovery is an actively developing field, and the author hopes this book will encourage other researchers to explore this exciting area of research. Table of Contents: Overview / Vector Spaces / Fourier Bases on Graphs / Multiscale Bases on Graphs / Scaling to Large Spaces / Case Study: State-Space Planning / Case Study: Computer Graphics / Case Study: Natural Language / Future Directions