خرید و دانلود نسخه کامل کتاب Pac-Bayesian supervised classification: The thermodynamics of statistical learning

توضیحاتی در مورد کتاب

”این تک نگاری با طبقه بندی نظارت تطبیقی، با استفاده از ابزارهای وام گرفته شده از مکانیک آماری و تئوری اطلاعات، ناشی از رویکرد PAC-Bayesian که توسط دیوید مک آلستر پیشگام بود و در مفهومی از نظریه یادگیری آماری ساخته شده توسط ولادیمیر واپنیک اعمال شد، سر و کار دارد. با استفاده از تحلیل محدب در مجموعه. از معیارهای احتمال پسین، ما نشان می‌دهیم که چگونه می‌توان معیارهای محلی پیچیدگی مدل طبقه‌بندی را که شامل آنتروپی نسبی توزیع‌های پسین با توجه به معیارهای پسین گیبس است به دست آورد. سپس مرزهای نسبی را مورد بحث قرار می‌دهیم، خطای تعمیم دو قانون طبقه‌بندی را مقایسه می‌کنیم و نشان می‌دهیم که چگونه فرض حاشیه Mammen و Tsybakov را می توان با برخی از معیارهای تجربی ساختار کوواریانس مدل طبقه بندی جایگزین کرد.ما نشان می دهیم که چگونه به هر توزیع پسینی یک دمای موثر مربوط به آن را به توزیع قبلی گیبس با همان سطح از میزان خطای مورد انتظار مرتبط کنیم. و نحوه تخمین این دمای مؤثر از داده‌ها، منجر به برآوردگر می‌شود که نرخ خطای مورد انتظار آن مطابق با بهترین توان ممکن اندازه نمونه به‌طور تطبیقی ​​تحت هر حاشیه و فرضیات پیچیدگی پارامتری همگرا می‌شود. ما یک طرح انتخاب جایگزین را بر اساس مرزهای نسبی بین تخمین‌گرها توصیف و مطالعه می‌کنیم و یک تکنیک محلی‌سازی دو مرحله‌ای را ارائه می‌کنیم که می‌تواند انتخاب یک مدل پارامتری را از خانواده‌ای از آن‌ها انجام دهد. ما نشان می‌دهیم که چگونه به‌طور سیستماتیک تمام نتایج به‌دست‌آمده در محیط استقرایی را به یادگیری انتقالی تعمیم دهیم، و از آن برای بهبود محدوده‌های تعمیم Vapnik استفاده می‌کنیم، و آن‌ها را به مواردی بسط می‌دهیم که نمونه از جفت‌های الگوها و برچسب‌ها به طور مستقل توزیع شده است. در نهایت، ساخت ماشین‌های بردار پشتیبان را به طور خلاصه مرور می‌کنیم و نشان می‌دهیم که چگونه می‌توان مرزهای تعمیم را برای آن‌ها استخراج کرد و پیچیدگی را از طریق تعداد بردارهای پشتیبانی یا از طریق مقدار حاشیه انتقالی یا استقرایی اندازه‌گیری کرد.”–وب سایت پروژه اقلید.