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:
نویسندگان: Miroslav Kubat
سری:
ISBN (شابک) : 9783319639130, 2017949183
ناشر: Springer International Publishing, Cham
سال نشر:
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
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 ماشینی 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 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 مورد 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.
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.
Front Matter ....Pages i-xiii
A Simple Machine-Learning Task (Miroslav Kubat)....Pages 1-18
Probabilities: Bayesian Classifiers (Miroslav Kubat)....Pages 19-41
Similarities: Nearest-Neighbor Classifiers (Miroslav Kubat)....Pages 43-64
Inter-Class Boundaries: Linear and Polynomial Classifiers (Miroslav Kubat)....Pages 65-90
Artificial Neural Networks (Miroslav Kubat)....Pages 91-111
Decision Trees (Miroslav Kubat)....Pages 113-135
Computational Learning Theory (Miroslav Kubat)....Pages 137-150
A Few Instructive Applications (Miroslav Kubat)....Pages 151-171
Induction of Voting Assemblies (Miroslav Kubat)....Pages 173-189
Some Practical Aspects to Know About (Miroslav Kubat)....Pages 191-210
Performance Evaluation (Miroslav Kubat)....Pages 211-229
Statistical Significance (Miroslav Kubat)....Pages 231-249
Induction in Multi-Label Domains (Miroslav Kubat)....Pages 251-271
Unsupervised Learning (Miroslav Kubat)....Pages 273-295
Classifiers in the Form of Rulesets (Miroslav Kubat)....Pages 297-308
The Genetic Algorithm (Miroslav Kubat)....Pages 309-329
Reinforcement Learning (Miroslav Kubat)....Pages 331-339
Back Matter ....Pages 341-348