8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Принятие решений и системного машинного обучения (Индия) Бара Профессиональная технология машиностроитель

Цена: 1 052руб.    (¥58.5)
Артикул: 557271618092

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:读者图书专营店
Адрес:Сычуань
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥46.11830руб.
¥ 65.75 57.241 030руб.
¥50.8914руб.
¥47.7858руб.
  • Информация о товаре
  • Фотографии

Решение использует укрепление и системное машинное обучение

делать  (Индия) Барраг&Middot;
Конечно   цена:79
вне&Ensp; издание&Encp; Общество:Machinery Industry Press
Дата публикации:01 июля 2015 г.
Страница &Nbsp; номер:232
Пакет   кадр:Оплата в мягкой обложке
ISBN:9787111502418
Оглавление
●Переводчик
Предисловие
Оригинальная книга Спасибо
Об авторе
Глава сильное и системное машинное обучение 1
1.1 Введение 1
1.2.
1.3 История традиционных методов машинного обучения и разработки машинного обучения 3 3
1.4 Что такое машинное обучение?6
1.5 Проблема машинного обучения 6
1.5.1 Цель обучения 6
1.6 Режим обучения 7
1.7 Технология машинного обучения и пример 9
1.8 Что такое укрепление обучения?11
1.9 Функция подкрепления и функция окружающей среды 12
1.10 Усиление обучения 13
1.11 Укрепление обучения и машинного интеллекта 14
1.12 Что такое систематическое обучение?14
1.13 Что такое систематическое машинное обучение?15
1.14 Фокус системного машинного обучения 15
1.15 Усиление машинного обучения и системного машинного обучения 16
1,16 тематическое исследование по обнаружению транспортных средств 16
1.17 Резюме 16
Ссылки 17
ГЛАВА 2 МАШИЧЕСКОЕ ИССЛЕДОВАНИЕ ПОЛНОЙ СИСТЕМА, СИСТЕМАТИЧЕСКОЙ И МУЛЬТАКАТИВАЦИИ МАШИЧЕСКОГО Обучения 18
2.1 Введение 18
2.1.1 Что такое системное обучение?19
2.1.2 ИСТОРИЯ 20
2.2 Что такое систематическое машинное обучение?двадцать один
2.2.1 Обучение на основе событий 21
2.3 Широко системное машинное обучение 23
2.3.1 Определение системы 24
2.4 Multi -Persperipperive Shares и Multi -View Angle Learning 26
2.4.1 Представление на основе полной информации 32
2.4.2 Представление некоторой информации 32
2.4.3 План решения об углах -просмотре Рисунок 32
2.4.4 План принятия решений с двойным углом Рисунок 32
2.4.5 Много -перспективное план принятия решений Рисунок 32
2.4.6 Качественная сеть убеждений и влияние Рисунок 33
2.5 Динамические и интерактивные решения 33
2.5.1 Интерактивное решение Рисунок 33
2.5.2 Роль времени на карте принятия решений и время на карте 34
2.5.3 Создание систематической перспективы 34
2.5.4 Информационная интеграция 35
2.5.5 Установить типичный план принятия решений Рисунок 35
2.5.6 Ограниченная информация 35
2.5.7 Роль системы Multi -Desecision Maker в систематическом обучении 35
2.6 Систематическая структура обучения 39
2.6.1 Математическая модель 39
2.6.2 Метод систематического обучения 39
2.6.3 Адаптивное систематическое обучение 40
2.6.4 Систематическая структура обучения 41
2.7 Системный анализ 41
2.8 Обучение к случаям: систематическое обучение в гостиничной индустрии 43
2.9 Резюме 44
Ссылки 44
Глава 3 Eesson Learning 45
3.1 ВВЕДЕНИЕ 45
3.2 ПРИБОР УЧЕБНОГО РЕШЕНИЯ 48
3.3 Расчет доходов и вознаграждений 50
3.3.1 План и непрерывная задача 50
3.4 Укрепление обучения и адаптивного контроля 51
3.5 Динамическая система 54
3.5.1 Динамическая система динамической события 54
3.6 Укрепление обучения и контроля 55
3.7 Процесс принятия характера и принятия решений Маркоу 55
3.8 Функция значения 56
3.8.1 Действие и значение 56
3.9 Изучите оптимальную стратегию (с методом модели и моделя) 57 57
3.10 Динамическое планирование 57
3.10.1 Динамическая система природа 57
3.11 Адаптивные динамические правила 58
3.11.1 Дифференциальное обучение времени 59
3.11.2q Learning 60
3.11.3 Unified View 60
3.12 Пример——
3.13 Резюме 61
Ссылки 61
Глава 4 Системное машинное обучение и модель 62
4.1 Введение 62
4.2 Структура обучения системы 63
4.2.1 Impact Space 64
4.2.2 Модель, сосредоточенная на взаимодействии 69
4.2.3 Модель, ориентированная на результаты 69
4.3 Взгляд Система Просмотр 70
4.4 Математическая экспрессия системного взаимодействия 73
4.5 Функция удара 74
4.6 Анализ воздействия принятия решений 74
4.6.1 Граница времени и пространства 75
4.7 Резюме 80
Глава 5 Рассуждение и интеграция информации 82
5.1 Введение 82
5.2 Механизм рассуждения и нуждается в 83
5.2.1. Сценические рассуждения 85
5.2.2. Определение рассуждения воздействие 85
5.3 Интеграция сценария и рассуждений 88
5.4 Статистические рассуждения и индукция 91
5.4.1 Прямые рассуждения 91
5.4.2 Косвенные рассуждения 91
5.4.3 Информационные рассуждения 91
5.4.4 Индукция 92
5.5 ЧИСТОКАЯ МЕТОДА 92
5.6 Байесовский пример рассуждения 93
5.6.1 Байесовская теорема 93
5.7 На основе времени рассуждения 93
5.8 Рассуждение установления системной перспективы 94
5.8.1 Информационная интеграция 94
5.9 Резюме 96
Ссылка 97
Глава 6 Адаптивное обучение 98
6.1 Введение 98
6.2 Адаптивное обучение и адаптивная система 98
6.3 Что такое адаптивное машинное обучение 101
6.4 Метод адаптации и обучения на основе схемы 101
6.4.1 Изучение динамической адаптивности и восприятия сцены 102
6.5 Системное обучение и адаптивное обучение 104
6.5.1 Использование много -обучаемого устройства 105
6.5.2 Системное адаптивное машинное обучение 108
6.5.3 Проектирование адаптивного применения 110
6.5.4 Причины адаптивного обучения и адаптации 111
6.5.5 Тип адаптации 112
6.5.6 Адаптивная структура 114
6.6 Конкурентное обучение и адаптивное обучение 115
6.6.1 Адаптивная функция 116
6.6.2 Сеть решений 118
6.6.3 Схема адаптивного обучения 119
6.7 Пример 120
6.7.1 Пример из исследования: текст 120 на основе адаптивного обучения 120
6.7.2 Документированные раскопки адаптивного обучения 121
6.8 Резюме 122
Ссылки 122
Глава 7 Много -перспективное и глобальное систематическое обучение 123
7.1 Введение 123
7.2 Multi -Persperive Plan Construction 124
7.3 Multi -Persperipperive Share
7.3.1 Перспективный угол объединяется 126
7.3.2 Диаграмма воздействия и некоторое представление решения схемы Рисунок 127
7.3.3 Диаграмма плана принятия решений (RDSD) 130
7.3.4 Пример: городская информация 131, полученная с помощью различных перспектив, выраженных с помощью некоторого представления решения схемы (PDSRD)
7.4 Глобальное систематическое обучение и многоспективный маршрут 134
7.4.1 Информация об отделении информации 135
7.4.2 Multi -Persperive и Global System Presentation 135
7.4.3 Что такое многоспективный план?135
7.4.4 Специальная схема 136
7.5 Тематическое исследование на основе многоотраслевых каналов 136
7.5.
7.5.2 Multi -Hall Pathway Model 138 для эмоционального тестирования 138
7.6 Ограничение многоспективного метода 143
7.7 Резюме 143
Ссылки 144
Глава 8 Увеличение обучения и знаний Экспресс 145
8.1 Введение 145
8.2 Почему постепенное обучение?146
8.3 Learning to Learn 147
8.3.1 Абсолютное увеличение обучения 148
8.3.2 Выберите инкрементное обучение 149
8.4. Польшнивое обучение надзора 157
8.5 Инкрементное неконтролируемое обучение и инкрементный кластер 158
8.5.1 Инкрементный кластер: задача 160
8.5.2 Увеличенная кластеризация: метод 161
8.5.3 Порог 161
8.6 Полу -супервидение инкрементное обучение 162
8.7 Инкрементное и систематическое обучение 163
8.8 При увеличении приблизительного значения и метода обучения 164
8.8.1 Метод обучения 1165
8.8.2 Метод обучения 2166
8.8.3 Рассчитайте увеличение значения C 166
8.9 Модель обучения и принятия решений 169
8.10 Технология инкрементной классификации 169
8.11 Анализ случая: Классификация инкрементной документы 170
8.12 Резюме 171
Глава 9 Рост знаний: перспектива машинного обучения 173
9.1 Введение 173
9.2 Короткая история и связанная с ними работа 174
9.3 Рост знаний и вдохновение знаний 178
9.3.1 Вдохновение знаний в стратегии использование 178
9.3.2 Вдохновение знаний на основе цели 179
9.3.3 Вдохновение знаний на основе процесса 179
9.4 жизненный цикл 180
9.4.1 Уровень знаний 181
9.4.2 Прямые знания 181
9.4.3 Косвенные знания 182
9.4.4 Знание программы 182
9.4.5 Вопрос 182
9.4.6 Решение 182
9.4.7 Жизненный цикл знаний 183
9.5 Повышенное выражение знаний 184
9.6 Обучение дела и забытое обучение 186
9.7 Расширение знаний: технологии и методы 187
9.7.1 Technology Technology 187 187
9.7.2 Инкрементный метод знания 188
9.7.3 Механизм извлечения знаний 189
9.8 Вдохновляющее обучение 190
9.9 Системное машинное обучение и приобретение знаний 190
9.9.1 Все -приобретение знаний 191
9.9.2 Управление знаниями системы и передовое машинное обучение 192
9.10 Повышенные знания в сложных средах 193
9.11 тематическое исследование 193
9.11.1 Банковский пример 193
9.11.2 Компания по разработке программного обеспечения 194
9.11.3 Рынок продуктового магазина/розничный рынок 195
9.12 Резюме 195
Ссылки 196
Глава 0 Строительная система обучения 197
10.1 Введение 197
10.2 Систематическая система обучения 197
10.2.1.
10.2.2 База знаний 200
10.2.3 Эффективная единица 200
10.2.4 Блок обратной связи 200
10.2.5 Система 200 разрешено измерено
10.3 Выбор алгоритма 201
10.3.1K возле соседа (KNN) 201
10.3.2
10.3.3 Качественный метод сердца 202
10.4 Представление знаний 203
10.4.1 Практическая схема и исследования темы 203
10.5 Дизайн системы обучения 204
10.6 Сделайте систему более интеллектуальной 204 204
10.7.
10.8 Общая структура знаний и улучшенное приложение для обучения 205
10.8.1 Выбор умного алгоритма 207
10.9 умные решения——
10.10 Обучение на основе случая: система эмоционального обнаружения человека 209
10.11 Общая перспектива сложных вопросов принятия решений 211
10.12 Представление знаний и поиск ресурсов 213
10.13 Компонент 215
10.13.1 Пример 215
10.14 Future 216 учебной системы и интеллектуальной системы
10.15 Резюме 217
Приложение 218
Приложение А. Статистическое метод обучения 218
A.1 Вероятность 218
A.1.1 Взаимное событие 218
A.1.2 Независимое событие 218
A.2 Байесовская категория 219
A.2.1 Простая байеса категория 220
A.2.2 Преимущества и недостатки байесовского классификатора 221
A.3 возвращение 221
А.3.1 Линейный 222
A.3.2 нелинейно 222
A.3.3 Другие методы восстановления 222
A.4 Грубая коллекция 223
A.4.1 Небольшие отношения 223
А.4.2 Эпизод похож на 224
A.4.3 Граничная область 224
A.4.4 Грубая установка и прозрачная установка 224
А.4.5 Джейн 224
A.4.6 Существует незаменимый и незаменимый атрибут 224
A.5 Поддержка векторной машины 224
Ссылки 225
Приложение B Marcow Process 225
B.1 MALKOV PROCEST 225
B.1.1 Дело 226
B.1.2 Шаг 226
B.1.3 Long -Term 227
B.1.4 Пример процесса Malcov 228
B.2 Malcov Process 231
B.2.1 Предложение 231
B.2.2 Проверка 232
B.2.3 Вывод 232
Пунктирное содержание

краткое введение

Машинное обучение является чрезвычайно важным направлением исследования в области искусственного интеллекта.Укрепление обучения является важной ветвью в машинном обучении.В качестве эффективного метода решения решений о оптимизации предисловия, укрепления обучения и эффективного применения к различным областям, таким как компьютерная наука, автоматическое управление и технология робототехники.
В настоящее время основной задачей укрепления обучения является повышение эффективности обучения.&Middot;Ввести концепцию системы и улучшить машинное обучение Системы машинного обучения и модели; постепенного обучения;
Эта книга подходит для связанных учителей и аспирантов в связанных профессиональных учителях и аспирантах по машинному обучению, технологии автоматизации, искусственному интеллекту и т. Д. ...

об авторе

(Индия) Барраг&Middot;

Барраг&Миддот;Он имеет более чем 20 -летний опыт работы в области управления знаниями, E -Commerce, интеллектуальной системы и консалтинга машинного обучения, исследований и построения продуктов.Индийский институт технологий и выпускники Индийского института управления в Калькутте.Он возглавлял компанию, исследовательскую лабораторию и группы, в том числе многие ИТ -компании, в том числе Etill, Siemens Information System Co., Ltd., Canner's Catson и Daseededd в Сингапуре.Он заставил многие компании успешно начать бизнес с помощью стратегических инноваций и исследований.Королевская бизнес -школа UGSM в Швейцарии присудила почетную докторскую степень Кулкарни.Он является соратником трех, и он совпадает с ...