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: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Ankur Moitra سری: ISBN (شابک) : 1316636003, 9781316636008 ناشر: Cambridge University Press سال نشر: 2018 تعداد صفحات: 162 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
کلمات کلیدی مربوط به کتاب جنبه های الگوریتمی یادگیری ماشین: یادگیری ماشینی، الگوریتم ها، جبر خطی، تحلیل تانسور
در صورت تبدیل فایل کتاب Algorithmic Aspects of 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 جنبه های الگوریتمی 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.
این کتاب با بررسی آنچه که دو طرف می توانند به یکدیگر بیاموزند، علم کامپیوتر نظری و یادگیری ماشین را پیوند می دهد. این بر نیاز به مدلهای انعطافپذیر و قابل انعطاف تأکید میکند که نه آنچه که یادگیری ماشین را سخت میکند، بلکه آنچه را که آن را آسان میکند، بهتر به تصویر میکشد. دانشمندان نظری کامپیوتر با مدل های مهم در یادگیری ماشین و سوالات اصلی در این زمینه آشنا خواهند شد. محققان یادگیری ماشین با تحقیقات پیشرفته در قالبی در دسترس آشنا می شوند و با ابزار مدرن و الگوریتمی، از جمله روش لحظه ها، تجزیه تانسورها و آرامش های برنامه ریزی محدب آشنا می شوند. درمان فراتر از تجزیه و تحلیل بدترین حالت، ایجاد درک دقیق در مورد رویکردهای مورد استفاده در عمل و تسهیل کشف راههای هیجانانگیز و جدید برای حل مشکلات مهم طولانی مدت است.
This book bridges theoretical computer science and machine learning by exploring what the two sides can teach each other. It emphasizes the need for flexible, tractable models that better capture not what makes machine learning hard, but what makes it easy. Theoretical computer scientists will be introduced to important models in machine learning and to the main questions within the field. Machine learning researchers will be introduced to cutting-edge research in an accessible format, and gain familiarity with a modern, algorithmic toolkit, including the method of moments, tensor decompositions and convex programming relaxations. The treatment beyond worst-case analysis is to build a rigorous understanding about the approaches used in practice and to facilitate the discovery of exciting, new ways to solve important long-standing problems.