Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Ci-dessous vous pouvez choisir quels cookies vous souhaitez modifier :
Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Nous utilisons des cookies dans le but suivant :
Assurer le bon fonctionnement du site web, améliorer la sécurité et prévenir la fraude
Avoir un aperçu de l'utilisation du site web, afin d'améliorer son contenu et ses fonctionnalités
Pouvoir vous montrer les publicités les plus pertinentes sur des plateformes externes
Gestion des cookies
Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Ci-dessous vous pouvez choisir quels cookies vous souhaitez modifier :
Cookies techniques et fonctionnels
Ces cookies sont indispensables au bon fonctionnement du site internet et vous permettent par exemple de vous connecter. Vous ne pouvez pas désactiver ces cookies.
Cookies analytiques
Ces cookies collectent des informations anonymes sur l'utilisation de notre site web. De cette façon, nous pouvons mieux adapter le site web aux besoins des utilisateurs.
Cookies marketing
Ces cookies partagent votre comportement sur notre site web avec des parties externes, afin que vous puissiez voir des publicités plus pertinentes de Club sur des plateformes externes.
Une erreur est survenue, veuillez réessayer plus tard.
Il y a trop d’articles dans votre panier
Vous pouvez encoder maximum 250 articles dans votre panier en une fois. Supprimez certains articles de votre panier ou divisez votre commande en plusieurs commandes.
Semi-supervised learning (SSL) has grown into an important research area in machine learning, motivated by the fact that human labeling is expensive while unlabeled data are relatively easy to obtain. A basic assumption in traditional SSL is that unlabeled data and labeled data share the same distribution. However, this assumption may be incorrect when unlabeled data have a shifted covariance, or come from a related but different domain, or contain irrelevant data. With the divergence of the distribution of unlabeled data, very little academic literature exists on how to choose or adapt machine learning algorithms to different settings of unlabeled data. This book, therefore, introduces a new unified view on learning with different settings of unlabeled data. This book consists of two parts: the first part analyzes the fundamental assumptions of SSL and proposes a few efficient SSL algorithms; the second part discusses three learning frameworks to deal with other settings of unlabeled data. This book should be helpful to researchers or graduate students in areas with abundance of unlabeled data, such as computer vision, bioinformatics, web mining, and natural language processing.