Buch, Englisch, Band 30, 277 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 452 g
Buch, Englisch, Band 30, 277 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 452 g
Reihe: Multimedia Systems and Applications
ISBN: 978-1-4419-4353-8
Verlag: Springer US
This volume introduces machine learning techniques that are particularly powerful and effective for modeling multimedia data and common tasks of multimedia content analysis. It systematically covers key machine learning techniques in an intuitive fashion and demonstrates their applications through case studies. Coverage includes examples of unsupervised learning, generative models and discriminative models. In addition, the book examines Maximum Margin Markov (M3) networks, which strive to combine the advantages of both the graphical models and Support Vector Machines (SVM).
Zielgruppe
Research
Autoren/Hrsg.
Fachgebiete
- Mathematik | Informatik EDV | Informatik Daten / Datenbanken Datenkompression, Dokumentaustauschformate
- Mathematik | Informatik EDV | Informatik Technische Informatik Computersicherheit Datensicherheit, Datenschutz
- Mathematik | Informatik EDV | Informatik Professionelle Anwendung
- Technische Wissenschaften Elektronik | Nachrichtentechnik Elektronik Robotik
- Mathematik | Informatik EDV | Informatik Daten / Datenbanken Zeichen- und Zahlendarstellungen
- Mathematik | Informatik EDV | Informatik Programmierung | Softwareentwicklung Grafikprogrammierung
- Naturwissenschaften Biowissenschaften Biowissenschaften
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Wissensbasierte Systeme, Expertensysteme
Weitere Infos & Material
Unsupervised Learning.- Dimension Reduction.- Data Clustering Techniques.- Generative Graphical Models.- of Graphical Models.- Markov Chains and Monte Carlo Simulation.- Markov Random Fields and Gibbs Sampling.- Hidden Markov Models.- Inference and Learning for General Graphical Models.- Discriminative Graphical Models.- Maximum Entropy Model and Conditional Random Field.- Max-Margin Classifications.
