扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
JAVA持续交付
-
>
EXCEL最强教科书(完全版)(全彩印刷)
-
>
深度学习
噪声标注条件下机器学习分类方法 版权信息
- ISBN：9787567306110
- 条形码：9787567306110 ; 978-7-5673-0611-0
- 装帧：一般轻型纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
噪声标注条件下机器学习分类方法 内容简介
本书针对近些年弱监督机器学习中的噪声标注学习问题进行了综述，系统地介绍了标注噪声的建模和估计方法及噪声标注情景下的学习算法设计方法。21世纪是数据的时代，一方面数据容量在快速增长，另一方面统计机器学习理论对数据标注的精准性有着严格要求，然而精准标注需要很多领域内的专家，消耗大量金钱和时间等资源。为了实现大规模数据的快速标注，以众包(crowd sourcing)和弱监督算法为代表的噪声标注即将成为大数据时代标注技术发展的趋势。在这种情景下，噪声标注数据对学习算法的鲁棒性和自适应性带来了前所未有的挑战。
噪声标注条件下机器学习分类方法 目录
第1章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 基于滤波的算法
1.2.2 基于模型调整的算法
1.2.3 主要问题
第2章 噪声标注情景下的传统学习方法
2.1 理论分析
2.1.1 DT算法
2.1.2 AdaBoost算法
2.1.3 Bagging算法
2.1.4 线性模型
2.1.5 KNN 算法
2.1.6 NB算法
2.2 实验分析
2.2.1 实验的设置与相关算法
2.2.2 二分类情景下的实验分析
2.2.3 多分类情景下的实验分析
2.3 本章小结
第3章 噪声标注情景下的通用建模方法
3.1 统计学习理论与风险函数
3.1.1 期望风险函数 小化准则
3.1.2 经验风险函数 小化准则
3.1.3 正则化经验风险函数 小化准则
3.2 噪声标注情景下的估计偏差与Importance Reweighting修正思想
3.2.1 Importance Reweighting修正思想
3.2.2 性定理
3.3 基于Importance Reweighting 思想的学习框架
3.4 本章小结
第4章 噪声率矩阵估计方法
4.1 噪声率矩阵与Importance Reweighting的关联
4.1.1 二分类情形下的关联
4.1.2 多分类情形下的关联
4.2 噪声率矩阵的研究现状
4.3 基于部分精准标注样本的 Back-End学习算法
4.3.1 Back-End学习算法
4.3.2 凸优化模型求解
4.4 基于 噪声标注样本的RP算法与MRP算法
4.4.1 RP算法
4.4.2 MRP算法
4.5 Back-End算法与RP算法的实验分析
4.5.1 对照算法的原理
4.5.2 Back-End算法与RP算法的相关实验
4.6 本章小结
第5章 算法设计案例及应用分析
5.1 二分类情形
5.1.1 修正权值的计算
5.1.2 基于Importance Reweighting理论嵌入的SVM
5.2 多分类情形
5.2.1 Importance Reweighting思想的嵌入
展开全部
书友推荐
- >
罗庸西南联大授课录
罗庸西南联大授课录
¥14.1¥32.0 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥14.5¥39.8 - >
我与地坛
我与地坛
¥16.4¥28.0 - >
莉莉和章鱼
莉莉和章鱼
¥14.4¥42.0 - >
上帝之肋:男人的真实旅程
上帝之肋:男人的真实旅程
¥20.2¥35.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥15.7¥45.8 - >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥5.2¥10.0 - >
二体千字文
二体千字文
¥14.0¥40.0
本类畅销
-
大模型应用开发极简入门 基于GPT-4和ChatGPT
¥41.9¥59.8 -
人工智能 现代方法 第4版(全2册)
¥120.8¥198 -
计算机视觉:算法与应用
¥95.9¥139 -
必然(修订版)
¥53.5¥89 -
GPT时代人类再腾飞
¥54.9¥89.9 -
生成式人工智能(AIGC)应用
¥64.9¥90
浏览历史
分坐标跟踪理论与应用
¥24.1¥68.0一年级-新阅读与作文-第八次修订
¥17.6¥23.0微积分同步练习与提高(三)
¥17.9¥26.0非线性系统理论
¥23.4¥32.0土木工程概论
¥34.3¥49.0
