دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب An Introduction to Machine Learning
دانلود کتاب مقدمه ای بر یادگیری ماشین
مشخصات کتاب
An Introduction to Machine Learning
ویرایش: 2nd
نویسندگان: Miroslav Kubat
سری:
ISBN (شابک) : 3319639129, 9783319639123
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 348
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب An Introduction to 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 مقدمه ای بر 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.
توضیحاتی در مورد کتاب مقدمه ای بر یادگیری ماشین
این کتاب درسی با ارائه توصیه‌های عملی، استفاده از مثال‌های
ساده و ارائه بحث‌های جذاب درباره برنامه‌های کاربردی مرتبط،
مفاهیم اساسی یادگیری ماشین را به روشی آسان برای درک ارائه
می‌کند. موضوعات اصلی شامل طبقه‌بندی‌کننده‌های بیزی،
طبقه‌بندی‌کننده‌های نزدیک‌ترین همسایه، طبقه‌بندی‌کننده‌های خطی
و چند جمله‌ای، درخت‌های تصمیم‌گیری، شبکه‌های عصبی و ماشین‌های
بردار پشتیبان است. فصل‌های بعدی نشان می‌دهند که چگونه می‌توان
این ابزارهای ساده را از طریق «تقویت» ترکیب کرد، چگونه از آنها
در حوزه‌های پیچیده‌تر بهره‌برداری کرد، و چگونه با مسائل مختلف
کاربردی پیشرفته مقابله کرد. یک فصل به الگوریتم های ژنتیک محبوب
اختصاص داده شده است.
این نسخه اصلاح شده شامل سه فصل کاملاً جدید در مورد موضوعات مهم
در رابطه با کاربرد عملی یادگیری ماشین در صنعت است. فصل‌ها
حوزه‌های چند برچسبی، یادگیری بدون نظارت و استفاده از آن در
یادگیری عمیق و رویکردهای منطقی به استقرا را بررسی می‌کنند. فصول
متعددی گسترش یافته است و ارائه مطالب بهبود یافته است. این کتاب
شامل بسیاری از تمرین های جدید، مثال های حل شده متعدد، آزمایش
های فکری و تکالیف کامپیوتری برای کار مستقل است.
توضیحاتی درمورد کتاب به خارجی
This textbook presents fundamental machine learning concepts in
an easy to understand manner by providing practical advice,
using straightforward examples, and offering engaging
discussions of relevant applications. The main topics include
Bayesian classifiers, nearest-neighbor classifiers, linear and
polynomial classifiers, decision trees, neural networks, and
support vector machines. Later chapters show how to combine
these simple tools by way of “boosting,” how to exploit them in
more complicated domains, and how to deal with diverse advanced
practical issues. One chapter is dedicated to the popular
genetic algorithms.
This revised edition contains three entirely new chapters on
critical topics regarding the pragmatic application of machine
learning in industry. The chapters examine multi-label domains,
unsupervised learning and its use in deep learning, and logical
approaches to induction. Numerous chapters have been expanded,
and the presentation of the material has been enhanced. The
book contains many new exercises, numerous solved examples,
thought-provoking experiments, and computer assignments for
independent work.
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Outline of Basic Representation Theory [expository notes]
