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: جبر: جبر خطی ویرایش: 1.1 نویسندگان: Jason Brownlee سری: ناشر: سال نشر: 2018 تعداد صفحات: 212 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 مبانی جبر خطی برای یادگیری ماشین - کشف زبان ریاضی داده ها در پایتون: جبر خطی، یادگیری ماشین
در صورت تبدیل فایل کتاب Basics for Linear Algebra for Machine Learning - Discover the Mathematical Language of Data in Python 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 مبانی جبر خطی برای یادگیری ماشین - کشف زبان ریاضی داده ها در پایتون 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.
برخی از روشهای کلاسیک مورد استفاده در زمینه جبر خطی، مانند رگرسیون خطی از طریق حداقل مربعات خطی و تجزیه مقادیر تکی، روشهای جبر خطی هستند و روشهای دیگر، مانند تجزیه و تحلیل مؤلفههای اصلی، از تلفیق جبر خطی و آمار زاده شدهاند. . برای خواندن و درک یادگیری ماشینی، باید بتوانید جبر خطی را بخوانید و درک کنید. این کتاب به تمرینکنندگان یادگیری ماشین کمک میکند تا سریعاً جبر خطی را پشت سر بگذارند.
Some classical methods used in the field of linear algebra,such as linear regression via linear least squares and singular-value decomposition, are linear algebra methods, and other methods, such as principal component analysis, were born from the marriage of linear algebra and statistics. To read and understand machine learning, you must be able to read and understand linear algebra. This book helps machine learning practitioners, get on top of linear algebra, fast.
i. Introduction ii. Foundations of Linear Algebra iii. NumPy iv. Matrices v. Factorization vi. Statistics vii. Appendix