Публикация:Донской 2014 Алгоритмические модели обучения классификации

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: <includeonly>{{Монография|PageName = Публикация:Публикация:Донской 2014 Алгоритмические модели обучения классифи...)
м (уточнение)
Строка 1: Строка 1:
-
<includeonly>{{Монография|PageName = Публикация:Публикация:Донской 2014 Алгоритмические модели обучения классификации
+
<includeonly>{{Монография|PageName = Публикация:Донской 2014 Алгоритмические модели обучения классификации
|автор = Донской, В. И.
|автор = Донской, В. И.
|название = Алгоритмические модели обучения классификации: обоснование, сравнение, выбор
|название = Алгоритмические модели обучения классификации: обоснование, сравнение, выбор
Строка 9: Строка 9:
|isbn = 978-966-491-534-9
|isbn = 978-966-491-534-9
|язык = russian
|язык = russian
-
}}</includeonly><noinclude>{{Монография|BibtexKey = zhuravlev06recognition
+
}}</includeonly><noinclude>{{Монография|BibtexKey = donskoy14algorithmic
|автор = Донской, В. И.
|автор = Донской, В. И.
|название = Алгоритмические модели обучения классификации: обоснование, сравнение, выбор
|название = Алгоритмические модели обучения классификации: обоснование, сравнение, выбор

Версия 08:48, 12 мая 2014

Донской, В. И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. — Симферополь: ДИАЙПИ, 2014. — 228 с.

BibTeX:
 @book{donskoy14algorithmic,
   author = "Донской, В. И.",
   title = "Алгоритмические модели обучения классификации: обоснование, сравнение, выбор",
   publisher = "Симферополь: ДИАЙПИ",
   year = "2014",
   numpages = "228",
   language = russian
 }

Аннотация

В книге рассматриваются теоретические аспекты машинного обучения классификации. В центре изложения — обучаемость как способность применяемых алгоритмов обеспечивать эмпирическое обобщение. С обучаемостью непосредственно связаны вопросы сложности выборок, точности и надежности классификаторов. Большое внимание уделено алгоритмическим методам анализа процессов обучения и синтеза решающих правил, включая колмогоровский подход, связанный с алгоритмическим сжатием информации. Описаны принципы выбора моделей обучения и семейств классифицирующих алгоритмов в зависимости от постановок и свойств решаемых задач.

Книга предназначается для специалистов, занимающихся теорией машинного обучения; она будет полезной для аспирантов, разработчиков интеллектуализированного программного обеспечения и студентов старших курсов математических специальностей, специализирующихся в указанной области.

Личные инструменты