یادگیری ماشین با برچسب‌های نویزی: تعاریف، نظریه، تکنیک‌ها و راه حل‌ها ۲۰۲۴
Machine Learning with Noisy Labels: Definitions, Theory, Techniques and Solutions 2024

دانلود کتاب یادگیری ماشین با برچسب‌های نویزی: تعاریف، نظریه، تکنیک‌ها و راه حل‌ها ۲۰۲۴ (Machine Learning with Noisy Labels: Definitions, Theory, Techniques and Solutions 2024) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده	Gustavo Carneiro

ناشر: Elsevier Science

دسته: بینایی کامپیوتری و شناسایی الگو, علوم کامپیوتر, هوش مصنوعی (AI)

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار	2024
زبان	English
تعداد صفحه‌ها	312
نوع فایل	epub
حجم	43 Mb

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

هوش‌مصنوعی ترجمه کالیبو

توضیحات

معرفی کتاب یادگیری ماشین با برچسب‌های نویزی: تعاریف، نظریه، تکنیک‌ها و راه حل‌ها ۲۰۲۴

یادگیری ماشین و برچسب‌های نویزی: تعاریف، نظریه، تکنیک‌ها و راهکارها یک معرفی ایده‌آل برای یادگیری ماشین با برچسب‌های نویزی ارائه می‌دهد که برای دانشجویان سال آخر کارشناسی، دانشجویان تحصیلات تکمیلی، پژوهشگران و دست‌اندرکارانی که از روش‌های یادگیری ماشین استفاده می‌کنند یا در مورد آنها تحقیق می‌کنند، مناسب است. اکثر مدل‌های مدرن یادگیری ماشین مبتنی بر تکنیک‌های یادگیری عمیق، برای آموزش و استقرار قابل‌اعتماد، به مجموعه‌های آموزشی با برچسب‌گذاری دقیق و تمیز متکی هستند. با این حال، فرآیند پرهزینه برچسب‌گذاری در کسب این مجموعه‌های آموزشی، تعداد و اندازه مجموعه‌داده‌های موجود برای ساخت مدل‌های جدید را محدود می‌کند و سرعت پیشرفت در این زمینه را کاهش می‌دهد. این کتاب انواع مختلف نویز برچسب را تعریف می‌کند، نظریه پشت این مسئله را معرفی می‌کند، تکنیک‌های اصلی را که استفاده مؤثر از مجموعه‌های آموزشی با برچسب‌های نویزی را ممکن می‌سازد، ارائه می‌دهد و دقیق‌ترین روش‌ها را توضیح می‌دهد.

توضیحات(انگلیسی)

Machine Learning and Noisy Labels: Definitions, Theory, Techniques and Solutions provides an ideal introduction to machine learning with noisy labels that is suitable for senior undergraduates, post graduate students, researchers and practitioners using, and researching, machine learning methods. Most of the modern machine learning models based on deep learning techniques depend on carefully curated and cleanly labeled training sets to be reliably trained and deployed. However, the expensive labeling process involved in the acquisition of such training sets limits the number and size of datasets available to build new models, slowing down progress in the field. This book defines the different types of label noise, introduces the theory behind the problem, presents the main techniques that enable the effective use of noisy-label training sets, and explains the most accurate methods.