دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Simon Rogers. Mark Girolami
سری: Chapman & Hall/Crc Machine Learning & Pattern Recognition
ISBN (شابک) : 1439824142, 9781439824146
ناشر: Chapman and Hall/CRC
سال نشر: 2011
تعداد صفحات: 306
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب A First Course in Machine Learning 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 اولین دوره یادگیری ماشین 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.
اولین دوره در یادگیری ماشینی تکنیک های اصلی ریاضی و آماری مورد نیاز برای درک برخی از محبوب ترین الگوریتم های یادگیری ماشین را پوشش می دهد. الگوریتمهای ارائهشده حوزههای مشکل اصلی در یادگیری ماشین را شامل میشوند: طبقهبندی، خوشهبندی و طرح ریزی. متن به جای پوشش دادن بسیاری از الگوریتم ها با جزئیات کمتر، توضیحات و مشتقات دقیقی را برای تعداد کمی از الگوریتم ها ارائه می دهد.
در سراسر متن ارجاع داده شده و در یک وب سایت پشتیبانی موجود است (http:/ /bit.ly/firstcourseml)، مجموعه گستردهای از اسکریپتهای MATLAB®/Octave به دانشآموزان این امکان را میدهد که نمودارهایی را که در کتاب ظاهر میشوند بازسازی کنند و مشخصات مدل و مقادیر پارامترهای تغییر یافته را بررسی کنند. با آزمایش الگوریتم ها و مفاهیم مختلف، دانش آموزان می بینند که چگونه می توان از مجموعه ای انتزاعی از معادلات برای حل مسائل واقعی استفاده کرد. این متن مقدمه ای مختصر و قابل دسترس برای یادگیری ماشین ارائه می دهد. این دانش و اطمینان را برای دانشآموزان فراهم میکند تا ادبیات یادگیری ماشین را بررسی کنند و روشهای خاص را با جزئیات بیشتر تحقیق کنند.
A First Course in Machine Learning covers the core mathematical and statistical techniques needed to understand some of the most popular machine learning algorithms. The algorithms presented span the main problem areas within machine learning: classification, clustering and projection. The text gives detailed descriptions and derivations for a small number of algorithms rather than cover many algorithms in less detail.
Referenced throughout the text and available on a supporting website (http://bit.ly/firstcourseml), an extensive collection of MATLAB®/Octave scripts enables students to recreate plots that appear in the book and investigate changing model specifications and parameter values. By experimenting with the various algorithms and concepts, students see how an abstract set of equations can be used to solve real problems.
Requiring minimal mathematical prerequisites, the classroom-tested material in this text offers a concise, accessible introduction to machine learning. It provides students with the knowledge and confidence to explore the machine learning literature and research specific methods in more detail.