دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Catarina Silva. Bernardete Ribeiro (auth.)
سری: Studies in Computational Intelligence 255
ISBN (شابک) : 9783642045325, 9783642045332
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 2010
تعداد صفحات: 168
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب استنتاج استقرایی برای طبقهبندی متن در مقیاس بزرگ: رویکردها و تکنیکهای هسته: ریاضیات کاربردی/روشهای محاسباتی مهندسی، تهیه اسناد و پردازش متن، زبانشناسی محاسباتی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Inductive Inference for Large Scale Text Classification: Kernel Approaches and Techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب استنتاج استقرایی برای طبقهبندی متن در مقیاس بزرگ: رویکردها و تکنیکهای هسته نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
طبقه بندی متون در حال تبدیل شدن به یک وظیفه حیاتی برای تحلیلگران در حوزه های مختلف است. در چند دهه اخیر، تولید اسناد متنی به صورت دیجیتال به طور تصاعدی افزایش یافته است. کاربردهای آنها از صفحات وب تا اسناد علمی، از جمله ایمیل، اخبار و کتاب ها را شامل می شود. علیرغم استفاده گسترده از متون دیجیتالی، مدیریت آنها ذاتاً دشوار است - حجم زیادی از داده های لازم برای نمایش آنها و ذهنی بودن طبقه بندی مسائل را پیچیده می کند.
این کتاب دیدگاه مختصری در مورد چگونگی استفاده از رویکردهای هسته برای استنتاج استقرایی در طبقه بندی متن در مقیاس بزرگ ارائه می دهد. مجموعه ای از تکنیک های جدید را برای تقویت، مقیاس و توزیع وظایف طبقه بندی متن ارائه می دهد. در نظر گرفته شده است که این یک بررسی جامع از پیشرفته ترین حوزه طبقه بندی متن نباشد. هدف آن کمتر جاه طلبانه و کاربردی تر است: توضیح و تشریح برخی از روش های مهم مورد استفاده در این زمینه، به ویژه رویکردها و تکنیک های هسته.
Text classification is becoming a crucial task to analysts in different areas. In the last few decades, the production of textual documents in digital form has increased exponentially. Their applications range from web pages to scientific documents, including emails, news and books. Despite the widespread use of digital texts, handling them is inherently difficult - the large amount of data necessary to represent them and the subjectivity of classification complicate matters.
This book gives a concise view on how to use kernel approaches for inductive inference in large scale text classification; it presents a series of new techniques to enhance, scale and distribute text classification tasks. It is not intended to be a comprehensive survey of the state-of-the-art of the whole field of text classification. Its purpose is less ambitious and more practical: to explain and illustrate some of the important methods used in this field, in particular kernel approaches and techniques.
Front Matter....Pages -
Front Matter....Pages 1-1
Background on Text Classification....Pages 3-29
Kernel Machines for Text Classification....Pages 31-48
Front Matter....Pages 49-49
Enhancing SVMs for Text Classification....Pages 51-70
Scaling RVMs for Text Classification....Pages 71-91
Distributing Text Classification in Grid Environments....Pages 93-115
Framework for Text Classification....Pages 117-128
Back Matter....Pages -