Large-scale Kernel MachinesPervasiv

Large-scale Kernel Machines
Pervasive and networked computers have dramatically reduced the cost of collecting and distributing large datasets. In this context, machine learning algorithms that scale poorly could simply become irrelevant. We need learning algorithms that scale linearly with the volume of the data while maintaining enough statistical efficiency to outperform algorithms that simply process a random subset of the data. This volume offers researchers and engineers practical solutions for learning from large scale datasets, with detailed descriptions of algorithms and experiments carried out on realistically large datasets. At the same time it offers researchers information that can address the relative lack of theoretical grounding for many useful algorithms. After a detailed description of state-of-the-art support vector machine technology, an introduction of the essential concepts discussed in the volume, and a comparison of primal and dual optimization techniques, the book progresses from well-understood techniques to more novel and controversial approaches. Many contributors have made their code and data available online for further experimentation. Topics covered include fast implementations of known algorithms, approximations that are amenable to theoretical guarantees, and algorithms that perform well in practice but are difficult to analyze theoretically

Kết quả (Việt) 1:

Quy mô lớn hạt nhân máyPhổ biến và mạng máy tính đã giảm đáng kể chi phí thu thập và phân phối lớn datasets. Trong bối cảnh này, thuật toán máy học quy mô kém chỉ đơn giản là có thể trở thành không liên quan. Chúng ta cần học thuật toán quy mô tuyến tính với khối lượng của các dữ liệu trong khi duy trì đủ hiệu quả thống kê để tốt hơn thuật toán mà chỉ đơn giản là xử lý một tập hợp con ngẫu nhiên của dữ liệu. Khối lượng này cung cấp các kỹ sư và nhà nghiên cứu các giải pháp thiết thực cho việc học từ datasets quy mô lớn, với các mô tả chi tiết của các thuật toán và thí nghiệm thực hiện trên thực tế lớn datasets. Đồng thời nó cung cấp các nhà nghiên cứu thông tin có thể địa chỉ thiếu tương đối của các nền tảng lý thuyết cho nhiều thuật toán hữu ích. Sau khi một mô tả chi tiết của công nghệ máy hỗ trợ nhà nước-of-the-nghệ thuật véc tơ, giới thiệu các khái niệm cần thiết thảo luận trong phần, và một so sánh kỹ thuật tối ưu hóa nguyên và kép, cuốn sách cũng hiểu kỹ thuật và tiến triển để thêm tiểu thuyết và phương pháp tiếp cận gây tranh cãi. Những người đóng góp nhiều đã thực hiện của họ mã và dữ liệu có sẵn trực tuyến để tiếp tục thử nghiệm. Chủ đề bao gồm việc triển khai nhanh chóng của các thuật toán được biết đến, xấp xỉ được amenable để đảm bảo lý thuyết và thuật toán mà thực hiện tốt trong thực tế, nhưng rất khó để phân tích lý thuyết

Kết quả (Việt) 2:

Quy mô lớn Máy Kernel
máy tính lan tỏa và nối mạng đã giảm đáng kể chi phí của việc thu thập và phân phối dữ liệu lớn. Trong bối cảnh này, các thuật toán học máy quy mô kém chỉ đơn giản có thể trở nên không thích hợp. Chúng ta không cần thuật toán quy mô tuyến tính với khối lượng dữ liệu học tập trong khi duy trì đủ hiệu quả thống kê để làm tốt hơn các thuật toán mà chỉ đơn giản là xử lý một tập hợp con ngẫu nhiên của các dữ liệu. Khối lượng này cung cấp các nghiên cứu và kỹ sư giải pháp thiết thực cho việc học từ các tập dữ liệu quy mô lớn, với mô tả chi tiết các thuật toán và thí nghiệm được thực hiện trên các tập dữ liệu thực tế lớn. Đồng thời nó cung cấp thông tin các nhà nghiên cứu có thể giải quyết sự thiếu tương đối của nền tảng lý luận cho nhiều thuật toán hữu ích. Sau khi mô tả chi tiết của nhà nước-of-the-nghệ thuật công nghệ máy vector hỗ trợ, giới thiệu các khái niệm thiết yếu thảo luận rất nhiều, và so sánh các kỹ thuật tối ưu hóa nguyên sơ và kép, cuốn sách tiến bộ từ các kỹ thuật được hiểu rõ để cuốn tiểu thuyết hơn và phương pháp gây tranh cãi. Nhiều người đóng góp đã làm cho mã và dữ liệu có sẵn trực tuyến của họ để thử nghiệm thêm. Các chủ đề bao gồm việc triển khai nhanh chóng của các thuật toán nổi tiếng, xấp xỉ đó đều tuân theo sự bảo đảm về mặt lý thuyết, và các thuật toán đó thực hiện tốt trong thực tế nhưng rất khó để phân tích về mặt lý thuyết