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
دسته بندی: آموزشی ویرایش: 1 نویسندگان: Olivier Bousquet, Ulrike von Luxburg, Gunnar Rätsch سری: ISBN (شابک) : 9783540231226, 3540231226 ناشر: Springer سال نشر: 2004 تعداد صفحات: 251 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Advanced Lectures On Machine Learning: Revised Lectures 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 سخنرانی های پیشرفته در مورد یادگیری ماشین: سخنرانی های تجدید نظر شده 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.
یادگیری ماشین به یک فناوری توانمند کلیدی برای بسیاری از کاربردهای مهندسی تبدیل شده است که سوالات علمی و مسائل نظری را به طور یکسان بررسی می کند. برای تحریک بحث ها و انتشار نتایج جدید، یک سری مدرسه تابستانی در فوریه 2002 آغاز شد که مستندات آن با عنوان LNAI 2600 منتشر شده است. این کتاب سخنرانی های اصلاح شده دو مدرسه تابستانی بعدی را ارائه می دهد که در سال 2003 در کانبرا، استرالیا و توبینگن، آلمان برگزار شد. سخنرانی های آموزشی گنجانده شده به تئوری یادگیری آماری، یادگیری بدون نظارت، استنتاج بیزی، و کاربردها در تشخیص الگو اختصاص داده شده است. آنها مروری عمیق از تحولات جدید هیجان انگیز ارائه می دهند و حاوی تعداد زیادی مرجع هستند. دانشجویان فارغ التحصیل، مدرسان، محققان و متخصصان به طور یکسان این کتاب را منبع مفیدی در یادگیری و آموزش یادگیری ماشینی خواهند یافت.
Machine Learning has become a key enabling technology for many engineering applications, investigating scientific questions and theoretical problems alike. To stimulate discussions and to disseminate new results, a summer school series was started in February 2002, the documentation of which is published as LNAI 2600. This book presents revised lectures of two subsequent summer schools held in 2003 in Canberra, Australia and in Tübingen, Germany. The tutorial lectures included are devoted to statistical learning theory, unsupervised learning, Bayesian inference, and applications in pattern recognition; they provide in-depth overviews of exciting new developments and contain a large number of references. Graduate students, lecturers, researchers and professionals alike will find this book a useful resource in learning and teaching machine learning.
Front Matter....Pages -
An Introduction to Pattern Classification....Pages 1-20
Some Notes on Applied Mathematics for Machine Learning....Pages 21-40
Bayesian Inference: An Introduction to Principles and Practice in Machine Learning....Pages 41-62
Gaussian Processes in Machine Learning....Pages 63-71
Unsupervised Learning....Pages 72-112
Monte Carlo Methods for Absolute Beginners....Pages 113-145
Stochastic Learning....Pages 146-168
Introduction to Statistical Learning Theory....Pages 169-207
Concentration Inequalities....Pages 208-240
Back Matter....Pages -