Titre original :
Kernels for Vector-Valued Functions: A Review
Contenu du livre :
Les méthodes à noyau font partie des techniques les plus populaires dans le domaine de l'apprentissage automatique. Du point de vue de la théorie de la régularisation, elles offrent un choix naturel pour l'espace des hypothèses et la fonction de régularisation grâce à la notion d'espaces de Hilbert à noyau reproductible.
Du point de vue de la théorie probabiliste, elles sont essentielles dans le contexte des processus gaussiens, où la fonction noyau est connue sous le nom de fonction de covariance. La théorie des méthodes à noyau pour les fonctions à valeur unique est désormais bien établie, et une quantité considérable de travaux a été consacrée à la conception et à l'apprentissage des noyaux. Plus récemment, on a constaté un intérêt croissant pour les méthodes qui traitent des sorties multiples, motivé en partie par des cadres tels que l'apprentissage multitâche.
Les applications des noyaux pour les fonctions à valeurs vectorielles comprennent les réseaux de capteurs, la géostatistique, l'infographie et bien d'autres encore. Kernels for Vector-Valued Functions : Une revue examine différentes méthodes pour concevoir ou apprendre des fonctions noyaux valides pour des sorties multiples, en accordant une attention particulière à la connexion entre les méthodes probabilistes et les méthodes de régularisation.
Kernels for Vector-Valued Functions : A Review s'adresse aux chercheurs qui s'intéressent à la théorie et à l'application des noyaux pour les fonctions à valeurs vectorielles dans des domaines tels que la statistique, l'informatique et l'ingénierie. L'un de ses objectifs est de fournir un cadre unifié et une terminologie commune aux chercheurs travaillant dans les domaines de l'apprentissage automatique et des statistiques.
Autres informations sur le livre :
| ISBN : | 9781601985583 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
