Dimensionality Reduction with Unsupervised Nearest Neighbors
Oliver Kramer
ឧសភា 2013 · Intelligent Systems Reference Library សៀវភៅទី 51 · Springer Science & Business Media
សៀវភៅអេឡិចត្រូនិច
132
ទំព័រ
reportការវាយតម្លៃ និងមតិវាយតម្លៃមិនត្រូវបានផ្ទៀងផ្ទាត់ទេ ស្វែងយល់បន្ថែម
អំពីសៀវភៅអេឡិចត្រូនិកនេះ
This book is devoted to a novel approach for dimensionality reduction based on the famous nearest neighbor method that is a powerful classification and regression approach. It starts with an introduction to machine learning concepts and a real-world application from the energy domain. Then, unsupervised nearest neighbors (UNN) is introduced as efficient iterative method for dimensionality reduction. Various UNN models are developed step by step, reaching from a simple iterative strategy for discrete latent spaces to a stochastic kernel-based algorithm for learning submanifolds with independent parameterizations. Extensions that allow the embedding of incomplete and noisy patterns are introduced. Various optimization approaches are compared, from evolutionary to swarm-based heuristics. Experimental comparisons to related methodologies taking into account artificial test data sets and also real-world data demonstrate the behavior of UNN in practical scenarios. The book contains numerous color figures to illustrate the introduced concepts and to highlight the experimental results.
វាយតម្លៃសៀវភៅអេឡិចត្រូនិកនេះ
ប្រាប់យើងអំពីការយល់ឃើញរបស់អ្នក។
អានព័ត៌មាន
ទូរសព្ទឆ្លាតវៃ និងថេប្លេត
ដំឡើងកម្មវិធី Google Play Books សម្រាប់ Android និង iPad/iPhone ។ វាធ្វើសមកាលកម្មដោយស្វ័យប្រវត្តិជាមួយគណនីរបស់អ្នក និងអនុញ្ញាតឱ្យអ្នកអានពេលមានអ៊ីនធឺណិត ឬគ្មានអ៊ីនធឺណិតនៅគ្រប់ទីកន្លែង។
កុំព្យូទ័រយួរដៃ និងកុំព្យូទ័រ
អ្នកអាចស្ដាប់សៀវភៅជាសំឡេងដែលបានទិញនៅក្នុង Google Play ដោយប្រើកម្មវិធីរុករកតាមអ៊ីនធឺណិតក្នុងកុំព្យូទ័ររបស់អ្នក។
eReaders និងឧបករណ៍ផ្សេងទៀត
ដើម្បីអាននៅលើឧបករណ៍ e-ink ដូចជាឧបករណ៍អានសៀវភៅអេឡិចត្រូនិក Kobo អ្នកនឹងត្រូវទាញយកឯកសារ ហើយផ្ទេរវាទៅឧបករណ៍របស់អ្នក។ សូមអនុវត្តតាមការណែនាំលម្អិតរបស់មជ្ឈមណ្ឌលជំនួយ ដើម្បីផ្ទេរឯកសារទៅឧបករណ៍អានសៀវភៅអេឡិចត្រូនិកដែលស្គាល់។
