Merkzettel Warenkorb
Produktbild: Semi-Supervised and Unsupervised Machine Learning

Semi-Supervised and Unsupervised Machine Learning Novel Strategies

199,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

18.01.2011

Abbildungen

w. figs.

Verlag

John Wiley & Sons Inc

Seitenzahl

320

Maße (L/B/H)

23,6/15,5/2 cm

Gewicht

499 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-1-84821-203-9

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

18.01.2011

Abbildungen

w. figs.

Verlag

John Wiley & Sons Inc

Seitenzahl

320

Maße (L/B/H)

23,6/15,5/2 cm

Gewicht

499 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-1-84821-203-9

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: GPSR Kontakt

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
Die Leseprobe wird geladen.
  • Produktbild: Semi-Supervised and Unsupervised Machine Learning
  • PART 1. STATE OF THE ART 1

    Chapter 1. Introduction 3

    1.1. Organization of the book 6

    1.2. Utterance corpus 8

    1.3. Datasets from the UCI repository10

    1.4. Microarray dataset 13

    1.5. Simulated datasets 14

    Chapter 2. State of the Art in Clustering and Semi-Supervised Techniques 15

    2.1. Introduction 15

    2.2. Unsupervised machine learning (clustering) 15

    2.3. A brief history of cluster analysis 16

    2.4. Cluster algorithms 19

    2.5. Applications of cluster analysis 52

    2.6. Evaluation methods 77

    2.7. Internal cluster evaluation 77

    2.8. External cluster validation 80

    2.9. Semi-supervised learning 84

    2.10. Summary 88

    PART 2. APPROACHES TO SEMI-SUPERVISED CLASSIFICATION 91

    Chapter 3. Semi-Supervised Classification Using Prior Word Clustering 93

    3.1. Introduction 93

    3.2. Dataset 94

    3.3. Utterance classification scheme 94

    3.4. Semi-supervised approach based on term clustering 98

    3.5. Disambiguation 113

    3.6. Summary 124

    Chapter 4. Semi-Supervised Classification Using Pattern Clustering 127

    4.1. Introduction 127

    4.2. New semi-supervised algorithm using the cluster and label strategy 128

    4.3. Optimum cluster labeling 132

    4.4. Supervised classification block 154

    4.5. Datasets 159

    4.6. An analysis of the bounds for the cluster and label approaches 162

    4.7. Extension through cluster pruning 164

    4.8. Simulations and results 173

    4.9. Summary 179

    PART 3 . CONTRIBUTIONS TO UNSUPERVISED CLASSIFICATION - ALGORITHMS TO DETECT THE OPTIMAL NUMBER OF CLUSTERS 183

    Chapter 5. Detection of the Number of Clusters through Non-Parametric Clustering Algorithms 185

    5.1. Introduction 185

    5.2. New hierarchical pole-based clustering algorithm 186

    5.3. Evaluation 190

    5.4. Datasets 192

    5.5. Summary 197

    Chapter 6. Detecting the Number of Clusters through Cluster Validation 199

    6.1. Introduction 199

    6.2. Cluster validation methods 201

    6.3. Combination approach based on quantiles 206

    6.4. Datasets 212

    6.5. Results 214

    6.6. Application of speech utterances 223

    6.7. Summary 224

    Bibliography 227

    Index 243