مشخصات کتاب

A Brief Introduction to Machine Learning for Engineers

ویرایش:  
نویسندگان: Osvaldo Simeone  
سری: Foundations and Trends in Signal Processing 
ISBN (شابک) : 168083472X, 9781680834727 
ناشر: Now Publishers 
سال نشر: 2018 
تعداد صفحات: 241 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

کلمات کلیدی مربوط به کتاب مقدمه ای کوتاه بر یادگیری ماشین برای مهندسان: یادگیری ماشین، هوش مصنوعی، هوش مصنوعی، احتمال، پردازش سیگنال

در صورت تبدیل فایل کتاب A Brief Introduction to Machine Learning for Engineers به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مقدمه ای کوتاه بر یادگیری ماشین برای مهندسان نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب مقدمه ای کوتاه بر یادگیری ماشین برای مهندسان

منابع و کتاب‌های فراوانی در دسترس مهندسانی است که شروع به درک یادگیری ماشینی می‌کنند و چگونه می‌توان از آن در کارهای روزمره خود استفاده کرد. این مشکل را نشان می دهد که مهندس باید از کجا شروع کند. پاسخ اغلب این است: «برای یک مقدمه کلی، اما کمی قدیمی، این کتاب را بخوانید؛ برای بررسی دقیق روش‌های مبتنی بر مدل‌های احتمالی، این مرجع را بررسی کنید؛ برای یادگیری در مورد یادگیری آماری، این متن مفید است» و غیره. این مونوگراف نقطه شروعی را برای ادبیاتی که هر مهندس تازه کار در یادگیری ماشین به آن نیاز دارد ارائه می دهد. این یک مرجع اساسی و فشرده ارائه می دهد که ایده ها و اصول کلیدی را به زبان ساده و در یک درمان یکپارچه توصیف می کند و شامل پیشرفت های اخیر و اشاره به ادبیات برای مطالعه بیشتر می شود. مقدمه ای مختصر بر یادگیری ماشین برای مهندسان، نقطه ورود به یادگیری ماشین برای دانشجویان، پزشکان و محققان با پیشینه مهندسی در احتمالات و جبر خطی است.

توضیحاتی درمورد کتاب به خارجی

There is a wealth of literature and books available to engineers starting to understand what machine learning is and how it can be used in their everyday work. This presents the problem of where the engineer should start. The answer is often "for a general, but slightly outdated introduction, read this book; for a detailed survey of methods based on probabilistic models, check this reference; to learn about statistical learning, this text is useful" and so on. This monograph provides the starting point to the literature that every engineer new to machine learning needs. It offers a basic and compact reference that describes key ideas and principles in simple terms and within a unified treatment, encompassing recent developments and pointers to the literature for further study. A Brief Introduction to Machine Learning for Engineers is the entry point to machine learning for students, practitioners, and researchers with an engineering background in probability and linear algebra.

فهرست مطالب

Contents......Page 2
Notation......Page 6
Acronyms......Page 8
1.1 What is Machine Learning?......Page 10
1.2 When to Use Machine Learning?......Page 12
1.3 Goals and Outline......Page 15
2.1 Supervised Learning......Page 19
2.2 Inference......Page 21
2.3 Frequentist Approach......Page 23
2.4 Bayesian Approach......Page 40
2.5 Minimum Description Length (MDL)*......Page 46
2.6 Information-Theoretic Metrics......Page 48
2.7 Interpretation and Causality*......Page 51
2.8 Summary......Page 53
3 Probabilistic Models for Learning......Page 55
3.1 Preliminaries......Page 56
3.2 The Exponential Family......Page 57
3.3 Frequentist Learning......Page 63
3.4 Bayesian Learning......Page 67
3.5 Supervised Learning via Generalized Linear Models (GLM)......Page 73
3.6 Maximum Entropy Property*......Page 75
3.7 Energy-based Models*......Page 76
3.8 Some Advanced Topics*......Page 77
3.9 Summary......Page 78
4 Classification......Page 79
4.1 Preliminaries: Stochastic Gradient Descent......Page 80
4.2 Classification as a Supervised Learning Problem......Page 81
4.3 Discriminative Deterministic Models......Page 83
4.4 Discriminative Probabilistic Models: Generalized Linear Models......Page 93
4.5 Discriminative Probabilistic Models: Beyond GLM......Page 99
4.6 Generative Probabilistic Models......Page 105
4.7 Boosting*......Page 109
4.8 Summary......Page 110
5 Statistical Learning Theory......Page 116
5.1 A Formal Framework for Supervised Learning......Page 117
5.2 PAC Learnability and Sample Complexity......Page 122
5.3 PAC Learnability for Finite Hypothesis Classes......Page 123
5.4 VC Dimension and Fundamental Theorem of PAC Learning......Page 127
5.5 Summary......Page 129
6 Unsupervised Learning......Page 132
6.1 Unsupervised Learning......Page 133
6.2 K-Means Clustering......Page 136
6.3 ML, ELBO and EM......Page 138
6.4 Directed Generative Models......Page 150
6.5 Undirected Generative Models......Page 157
6.6 Discriminative Models......Page 161
6.7 Autoencoders......Page 163
6.8 Ranking*......Page 165
6.9 Summary......Page 166
7 Probabilistic Graphical Models......Page 167
7.1 Introduction......Page 168
7.2 Bayesian Networks......Page 171
7.3 Markov Random Fields......Page 179
7.4 Bayesian Inference in Probabilistic Graphical Models......Page 183
7.5 Summary......Page 186
8 Approximate Inference & Learning......Page 187
8.1 Monte Carlo Methods......Page 188
8.2 Variational Inference......Page 190
8.3 Monte Carlo-Based Variational Inference*......Page 198
8.4 Approximate Learning*......Page 200
8.5 Summary......Page 202
9 Concluding Remarks......Page 203
Entropy......Page 206
Conditional Entropy & Mutual Information......Page 209
Divergence Measures......Page 211
KL Divergence & Exponential Family......Page 214
Refs......Page 216

نظرات کاربران

کتاب های تصادفی

دانلود کتاب first aid for the usmle step 2 CK tenth edition

دانلود کتاب Environmental impact assessment : a guide to procedures

دانلود کتاب Safety Aspects of Technical Standards / Sicherheitsaspekte technischer Standards: A European Comparison by the Example of Pressure Systems / Ein europäischer Vergleich am Beispiel druckführender Behältnisse

دانلود کتاب Michel Thomas Introductory Spanish

دانلود کتاب Pass The 7 - 2015: A Plain English Explanation To Help You Pass The Series 7 Exam