Bölümler Kisa Genel Bakis:
Destek vektör makinesi: SVM'lere giris, robotikte siniflandirma ve regresyon görevlerindeki önemlerini vurgular.
Dogrusal siniflandirici: SVM'lerin islevselligini anlamak için temel olan dogrusal siniflandiricilarin temellerini açiklar.
Algilayici: Ikili siniflandirma problemlerinde yararli olan SVM'lerin öncüsü olan algilayici algoritmasini tartisir.
Projeksiyon (dogrusal cebir): SVM'lerin çalisma prensibini anlamak için çok önemli olan geometrik projeksiyon kavramina odaklanir.
Dogrusal ayrilabilirlik: Dogrusal ayrilabilirlik kavramini, dogrusal olarak ayrilabilir veri kümelerinde SVM kullanmanin temelini inceler.
Çekirdek yöntemi: Çekirdek numarasini tanitir ve SVM'lerin dogrusal olmayan siniflandirma için daha yüksek boyutlu uzaylarda çalismasini saglar.
Ilgililik vektör makinesi: Verimli hesaplama için daha az destek vektörüne sahip bir SVM çesidi olan ilgililik vektör makinelerini inceler.
Çevrimiçi makine ögrenimi: Çevrimiçi ögrenme yöntemlerinin robotikte gerçek zamanli uyarlama için SVM'ye nasil uygulanabilecegini inceler.
Sirali minimal optimizasyon: Robotik uygulamalar için temel bir kavram olan SVM'leri verimli bir sekilde egitmek için kullanilan optimizasyon yöntemini ele alir.
En küçük kareler destek vektör makinesi: Robotik sistemlerdeki regresyon problemlerini ele almak için bu alternatif SVM formülasyonunu tartisir.
Dize çekirdegi: SVM'lerin robot sensör girisleri gibi sirali verileri islemesine olanak taniyan dize çekirdegini inceler.
Mentese kaybi: SVM'de maksimum marj siniflandirmasini saglamak için kullanilan fonksiyon olan mentese kaybina derinlemesine bakar.
Siralama SVM: Özellikle karar alma ve önceliklendirme görevlerinde robotikte yararli olan SVM'yi siralamaya bakar.
Destek vektör makinelerinde düzenleme perspektifleri: Güvenilir robotik sistemler olusturmak için gerekli olan asiri uyumu kontrol etmede düzenlemenin rolünü inceler.
Çekirdek düzenlemesinin Bayesçi yorumu: Daha dogru robotik modeller için olasiliksal modellemeyi SVM çekirdek düzenlemesine baglayan bir Bayesçi perspektif sunar.
Polinom çekirdegi: SVM'nin robotik görevlerde dogrusal olmayan karar sinirlarini modellemesine olanak taniyan polinom çekirdegini ele alir.
Radyal tabanli fonksiyon çekirdegi: Robotik sistemlerde karmasik veri modellerini islemek için güçlü bir araç olan radyal tabanli fonksiyon çekirdegini ele alir.
Kernel perceptron: Çekirdek perceptron yöntemini inceler ve daha gelismis robotik görevler için SVM'leri genisletir.
Platt ölçekleme: SVM çiktilarini robotikte olasiliksal tahminlere dönüstürmek için kullanilan bir teknik olan Platt ölçeklemesini tanitir.
Çok katli düzenleme: Çok katli düzenlemeye odaklanir ve SVM modellerini robotikte siklikla karsilasilan yüksek boyutlu verilere genellestirmeye yardimci olur.
Zayif denetim: Sinirli etiketli verilerin oldugu durumlarda SVM modellerini iyilestirmek için gerekli olan zayif denetim teknikleriyle sonuçlanir.
Ister robotikte çalisan bir profesyonel, ister lisans veya lisansüstü ögrencisi, ister makine ögrenme tekniklerine merakli biri olun, bu kitap paha biçilmezdir. Gerçek dünya uygulamalariyla birlikte, yalnizca teorik kavramlar hakkinda degil, ayni zamanda bunlarin dogrudan robotik sistemlere nasil uygulanabilecegi hakkinda da içgörüler sunar.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.