中图网

>

计算机理论

噪声标注条件下机器学习分类方法

作者：冯旸赫[等]著

出版社：国防科技大学出版社出版时间：2023-08-01

开本： 24cm 页数： 127页

本类榜单：计算机/网络销量榜

中图价:¥28.5(7.5折) 定价 ~~¥38.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥28.5 加入购物车

版权信息
内容简介
目录

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：
计算机/网络
>
计算机理论

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

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐