سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی

Publish Year: 1385
Type: Conference paper
Language: Persian
View: 2,803

This Paper With 6 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

ICEE14_187

Index date: 15 July 2008

یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی abstract

بطورکلی سه راهبرد یادگیری متفاوت در مجموعه روش ها ی ارائه شده در حوزه یادگیری ماشین وجود دارد. این راهبردها عبارتند از یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی. اگرچه این راهبردهای سه گانه پاسخگوی بسیاری از حوزه های کاربردی هستند اما در برآوردن نیاز برخی حوزه ها با چالش های جدی مواجه می باشند. در این حوزه ها برچسب الحاقی به مثال ها دارای ابهام می باشد، این ابهام یادگیری با نظارت را در این حوزه ها با مشکلات زیادی مواجه می نماید. یادگیری چند نمونه ای راهبرد جدیدی است که در سال های اخیر در پاسخ به این نیاز مطرح گردیده است. در این مقاله علاوه بر معرفی و بررسی روش های مختلف مطرح شده برای حل مساله یادگیری چند نمونه ای، الگوریتمی بازگشتی مبتنی بر بخش بندی فضا برای حل این مساله ارائه می شود. این الگوریتم از ساختاری سلسله مراتبی جهت بخش بندی فضا بهره می برد. الگوریتم پیشنهادی %80 پیاده سازی شده و بر روی مجموعه ای متنوع از داده ها مورد آزمون قرار گرفته است. .بر اساس این آزمون، الگوریتم پیشنهادی با دقت بیش ازعمل می کند.

یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی Keywords:

یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی authors

نصراله مقدم چرکری

دانشگاه تربیت مدرس ، گروه کامپیوتر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
. Maron O. Learning from ambiguity, PhD ...
dissertation, Department of Electrical and computer Science, MIT, Cambridge, MA, ...
. Dietterich T.G. _ Lathrop R.H. _ Lozano-Perez T. _ ...
. Zhou Z.H., Jiang K. and Li M. , ، ...
. Zhang C., Chen S.C. and Shyu M.L., ...
*Multiple Object Retrieval for Image Databases Using Multiple Instance Learning ...
. Maron O, Lo zano-Perez T, ،0A framework for multipl ...
. Tao Q. , Scott S.D. _، A Faster Algorithm ...
. Zhang Q, Goldman S A. , ، EM-DD: an ...
. Wang J, Zucker J-D. _ Solving the multipl e-instance ...
. Andrews S _ _ T sochantaridis I., Hofmann T. ...
. Chevaleyre Y. and Zucker J.D., ،، Solving multiple -instance ...
. Andrews S. and Hofmann T., : Multiple Instance Learning ...
. Zhou Z.H. and Zhang M.L. _ Ensembles of multi ...
. Weidmann N, Frank E and Pfahringer B _ _ ...
. Zhang Q. _ Goldman S.A. , Yu W. and ...
. Auer P., "On Learning From Multi- ...
Morgan Kaufman, San Francisco, CA, pp. 21- 29, 1997. ...
نمایش کامل مراجع

مقاله فارسی "یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی" توسط نصراله مقدم چرکری، دانشگاه تربیت مدرس ، گروه کامپیوتر؛ محمد رضا کیوان پور نوشته شده و در سال 1385 پس از تایید کمیته علمی چهاردهمین کنفرانس مهندسی برق ایران پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله یادگیری ماشین، فضای ویژگی، یادگیری چند نمونه ای ، بخش بندی فضا ، نمونه های آموزشی هستند. این مقاله در تاریخ 25 تیر 1387 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 2803 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که بطورکلی سه راهبرد یادگیری متفاوت در مجموعه روش ها ی ارائه شده در حوزه یادگیری ماشین وجود دارد. این راهبردها عبارتند از یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی. اگرچه این راهبردهای سه گانه پاسخگوی بسیاری از حوزه های کاربردی هستند اما در برآوردن نیاز برخی حوزه ها با چالش های جدی مواجه می باشند. در این حوزه ... . این مقاله در دسته بندی موضوعی یادگیری ماشین طبقه بندی شده است. برای دانلود فایل کامل مقاله یادگیری چند نمونه ای با بهره گیری از یک الگوریتم بازگشتی مبتنی بر بخش بندی فضای ویژگی با 6 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.