Text
Proceedings of ELM-2015 Volume 2; Theory, Algorithms and Applications (II)
* Berfokus pada tema konferensi Analisis Data Besar, Pembelajaran Mesin, dan Pembelajaran Biologi, * Hasil Konferensi Internasional tentang Mesin Pembelajaran Ekstrim (ELM-2015) yang diadakan di Hangzhou, China, 15-17 Desember 2015, * Menyajikan Teori, Algoritma, dan Aplikasi. --> Teks yang disediakan tampaknya merupakan daftar makalah penelitian atau artikel yang terkait dengan penerapan Extreme Learning Machines (ELM) dalam berbagai konteks, terutama yang berfokus pada pengenalan pemandangan, klasifikasi pemandangan, pengurangan dimensi, ELM terdistribusi, prediksi tingkat pasang surut, komputasi awan, kueri rentang data yang tidak pasti, dan model hibrid yang menggabungkan Support Vector Machine (SVM) dengan ELM. Berikut ringkasan singkat dari setiap entri: 1. Pengenalan Pemandangan Skala Besar Berdasarkan Mesin Pembelajaran Ekstrim. * Fokus: Pengenalan pemandangan berskala besar menggunakan Mesin Pembelajaran Ekstrem. 2. ELM yang Terhubung Sebagian untuk Klasifikasi Pemandangan yang Cepat dan Efektif. * Fokus: Memanfaatkan Mesin Pembelajaran Ekstrim yang terhubung sebagian untuk klasifikasi pemandangan yang cepat dan efektif. 3. Mesin Pembelajaran Ekstrim Dua Lapis untuk Pengurangan Dimensi. * Fokus: Penerapan Mesin Pembelajaran Ekstrim dua lapis untuk pengurangan dimensi. 4. Mesin Pembelajaran Ekstrim Terdistribusi dengan Metode Pengali Arah Bolak-Balik. * Fokus: Mengembangkan Mesin Pembelajaran Ekstrim terdistribusi menggunakan Metode Pengali Arah Bergantian. 5. Mesin Pembelajaran Ekstrim Sekuensial Online Adaptif untuk Prediksi Tingkat Pasang Surut Waktu Nyata. * Fokus: Membuat Mesin Pembelajaran Ekstrim sekuensial online adaptif untuk prediksi tingkat pasang surut waktu nyata. 6. Optimalisasi Masalah ELM Outsourcing dalam Komputasi Awan dari Multi-pihak. * Fokus: Mengoptimalkan masalah ELM outsourcing dalam komputasi awan yang melibatkan banyak pihak. 7. H-MRST: Kerangka Kerja Baru untuk Mendukung Kueri Rentang Data yang Tidak Pasti Menggunakan ELM. * Fokus: Memperkenalkan H-MRST, kerangka kerja baru untuk mendukung kueri rentang data yang tidak pasti menggunakan Mesin Pembelajaran Ekstrem. 8. Model SVM-ELM Berdasarkan Pengoptimalan Kawanan Partikel. * Fokus: Mengusulkan model yang menggabungkan Support Vector Machine (SVM) dengan Extreme Learning Machine, berdasarkan Pengoptimalan Kawanan Partikel. Jadi, setiap entri dalam daftar kemungkinan mengeksplorasi metodologi, teknik, dan aplikasi spesifik yang terkait dengan Mesin Pembelajaran Ekstrem di masing-masing domain yang disebutkan.
No copy data
No other version available