Klasyfikator Hierarchiczny z nakładającymi się grupami klas
W czasach, gdy ilość i rozmiar danych stają się ogromne, istnieje duże zapotrzebowanie na podejścia do klasyfikacji, które będą skuteczne w rozwiązywaniu takich problemów. W niniejszej pracy przedstawiono algorytmy i związane z nimi zagadnienia wielopoziomowego, hierarchicznego klasyfikatora. Nowością w zaproponowanym ujęciu jest schemat podziału na podzadania przez podział przestrzeni rozpoznawanych klas obiektów. Algorytm wykorzystuje w tym celu wiedzę zdobytą przez mało dokładnie nauczone, "słabe” klasyfikatory. Ich słabość pozwala na szybkie nauczanie niewymagające wielu doświadczeń. Taki mechanizm umożliwia budowę silnego klasyfikatora na kolejnych dodawanych poziomach. Autor prezentuje podstawowe zasady hierarchicznej klasyfikacji, nowe definicje słabego klasyfikatora, szczegółowy opis modelu oraz doświadczenia pokazujące skuteczność podejścia.
Książka przedstawia oryginalne rezultaty, które częściowo już znalazły swoje miejsce w literaturze światowej we wcześniejszych publikacjach autora.
Z recenzji prof. Leszka Rutkowskiego (Politechnika Częstochowska)
W monografii został przedstawiony oryginalny model klasyfikatora, który może być wykorzystany jako skuteczne narzędzie klasyfikacji obrazów.
Z recenzji prof. Mariusza Flasińskiego (Uniwersytet Jagielloński)
- Kategorie:
- Język wydania: polski
- ISBN: 978-83-233-3444-6
- ISBN druku: 978-83-233-3444-6
- Liczba stron: 148
-
Sposób dostarczenia produktu elektronicznegoProdukty elektroniczne takie jak Ebooki czy Audiobooki są udostępniane online po opłaceniu zamówienia kartą lub przelewem na stronie Twoje konto > Biblioteka.Pliki można pobrać zazwyczaj w ciągu kilku-kilkunastu minut po uzyskaniu poprawnej autoryzacji płatności, choć w przypadku niektórych publikacji elektronicznych czas oczekiwania może być nieco dłuższy.Sprzedaż terytorialna towarów elektronicznych jest regulowana wyłącznie ograniczeniami terytorialnymi licencji konkretnych produktów.
-
Ważne informacje techniczneMinimalne wymagania sprzętowe:procesor: architektura x86 1GHz lub odpowiedniki w pozostałych architekturachPamięć operacyjna: 512MBMonitor i karta graficzna: zgodny ze standardem XGA, minimalna rozdzielczość 1024x768 16bitDysk twardy: dowolny obsługujący system operacyjny z minimalnie 100MB wolnego miejscaMysz lub inny manipulator + klawiaturaKarta sieciowa/modem: umożliwiająca dostęp do sieci Internet z prędkością 512kb/sMinimalne wymagania oprogramowania:System Operacyjny: System MS Windows 95 i wyżej, Linux z X.ORG, MacOS 9 lub wyżej, najnowsze systemy mobilne: Android, iPhone, SymbianOS, Windows MobilePrzeglądarka internetowa: Internet Explorer 7 lub wyżej, Opera 9 i wyżej, FireFox 2 i wyżej, Chrome 1.0 i wyżej, Safari 5Przeglądarka z obsługą ciasteczek i włączoną obsługą JavaScriptZalecany plugin Flash Player w wersji 10.0 lub wyżej.Informacja o formatach plików:
- PDF - format polecany do czytania na laptopach oraz komputerach stacjonarnych.
- EPUB - format pliku, który umożliwia czytanie książek elektronicznych na urządzeniach z mniejszymi ekranami (np. e-czytnik lub smartfon), dając możliwość dopasowania tekstu do wielkości urządzenia i preferencji użytkownika.
- MOBI - format zapisu firmy Mobipocket, który można pobrać na dowolne urządzenie elektroniczne (np.e-czytnik Kindle) z zainstalowanym programem (np. MobiPocket Reader) pozwalającym czytać pliki MOBI.
- Audiobooki w formacie MP3 - format pliku, przeznaczony do odsłuchu nagrań audio.
Rodzaje zabezpieczeń plików:- Watermark - (znak wodny) to zaszyfrowana informacja o użytkowniku, który zakupił produkt. Dzięki temu łatwo jest zidentyfikować użytkownika, który rozpowszechnił produkt w sposób niezgodny z prawem. Ten rodzaj zabezpieczenia jest zdecydowanie bardziej przyjazny dla użytkownika, ponieważ aby otworzyć książkę zabezpieczoną Watermarkiem nie jest potrzebne konto Adobe ID oraz autoryzacja urządzenia.
- Brak zabezpieczenia - część oferowanych w naszym sklepie plików nie posiada zabezpieczeń. Zazwyczaj tego typu pliki można pobierać ograniczoną ilość razy, określaną przez dostawcę publikacji elektronicznych. W przypadku zbyt dużej ilości pobrań plików na stronie WWW pojawia się stosowny komunikat.
Spis rysunków VII Spis tabel IX Wprowadzenie XI Wstęp 1 1. Podział zadania klasyfikacji 9 1.1. Klasyfikator 10 1.2. Podział przestrzeni klas 10 1.2.1. Losowa symulacja klasyfikatora dla podproblemu 15 1.2.2. Symulacja z wykorzystaniem prawa Bayesa 17 1.2.3. Wykorzystanie ewaluacji ryzyka w rzeczywistym problemie 19 1.3. Wykorzystanie słabych klasyfikatorów 24 2. Klasyfikator Hierarchiczny HCOC 33 2.1. Podział przestrzeni wyjściowej klas 33 2.1.1. Klastry i ich nakładanie się 37 2.2. Definicja HCOC 38 2.2.1. Macierz klastrowania F 40 2.3. Ewaluacja klasyfikatora HCOC 46 2.3.1. Agregacja wyników klasyfikacji w modelach złożonych 46 2.3.2. Wagi klastrów HCOC 47 2.3.3. Ewaluacja poddrzew 49 2.3.4. Zależność wag klastrów od składowych klas 55 2.4. HCOC jako rozwiązanie zadania przez podział 57 2.4.1. Klasyfikacja przykładów 60 2.5. Nauczanie pojedynczych węzłów 63 2.6. Zadanie klastrowania 65 2.6.1. Rozszerzenie algorytmu klastrowania aglomeratywnego 66 2.6.2. Bayesowskie podejście do klastrowania 67 2.6.3. Urównoleglenie klastrowania przy wykorzystaniu algorytmu Rosnacego Gazu Neuronowego GNG 70 2.6.4. Wykorzystanie metod genetycznych dla klastrowania 73 2.6.5. Inne funkcje dopasowania 74 2.6.6. Alternatywne klastrowanie dla lasu drzew decyzyjnych 76 2.6.7. Problem zapewnienia różnorodności klasyfikatorów 77 2.7. Zbieżność nauczania HCOC 79 2.7.1. HCOC jako złożony klasyfikator 79 2.7.2. Błąd HCOC a słabość klasyfikatorów bazowych 84 2.7.3. Zależność błędu HCOC od błędu generalizacji 84 3. Eksperymenty i doświadczenia 89 3.1. Eksperyment Mixture of Gaussians dla wielu klas wyjściowych 89 3.2. Rozpoznawanie przedmiotów z bazy COIL i porównanie z innym modelem hierarchicznym 93 3.3. Zbiory porównawcze z repozytoriów 94 3.4. Klasyfikacja tekstur 94 3.5. Zastosowania w teorii automatów 96 3.6. Rozpoznawanie twarzy 99 3.7. Ekstrakcja reguł 102 Zakończenie 107 Dodatek A. Problemy nauczania maszynowego 109 A.1. Nadzorowane nauczanie maszynowe 109 A.2. Atrybuty przykładów uczących 109 A.3. Funkcje kosztu i ryzyka 110 A.4. Klasyfikatory „monolityczne” 111 A.5. Klasyfikatory złożone 113 A.6. Agregacja wyników 115 A.7. Sposoby selekcji końcowej klasy 117 A.8. Podejścia przy aglomeratywnym klastrowaniu 117 A.9. Algorytm GNG 118 A.10.Niektóre miary różnorodności 118 A.11.Rozkład Beta 120 A.12.Rozkład Dirichleta 121 A.13.Walidacja krzyżowa i błąd Err(0.632) 122 Bibliografia 125 Skorowidz pojęc 135