دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Boosting: Foundations and Algorithms
دانلود کتاب تقویت: مبانی و الگوریتم ها
مشخصات کتاب
Boosting: Foundations and Algorithms
ویرایش: نویسندگان: Robert E. Schapire, Yoav Freund سری: Adaptive Computation and Machine Learning ISBN (شابک) : 0262017180, 9780262017183 ناشر: The MIT Press سال نشر: 2012 تعداد صفحات: 544 [528] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
قیمت کتاب (تومان) : 53,000
در صورت تبدیل فایل کتاب Boosting: Foundations and Algorithms 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 تقویت: مبانی و الگوریتم ها 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 تقویت: مبانی و الگوریتم ها
تقویت رویکردی برای یادگیری ماشینی است که مبتنی بر ایده ایجاد یک پیش‌بینی‌کننده بسیار دقیق با ترکیب بسیاری از «قوانین سرانگشتی» ضعیف و نادرست است. یک نظریه بسیار غنی حول محور تقویت، با ارتباط با طیف وسیعی از موضوعات، از جمله آمار، تکامل یافته است. ، نظریه بازی ها، بهینه سازی محدب و هندسه اطلاعات. الگوریتم های تقویت کننده نیز در زمینه هایی مانند زیست شناسی، بینایی و پردازش گفتار از موفقیت عملی برخوردار بوده اند. در دوره‌های مختلف تاریخ، تقویت به‌عنوان مرموز، بحث‌برانگیز و حتی متناقض تلقی شده است. این کتاب که توسط مخترعان این روش نوشته شده است، دو دهه تحقیق در مورد تقویت را گرد هم می‌آورد، سازمان‌دهی می‌کند، ساده‌سازی می‌کند و اساساً گسترش می‌دهد و هر دو نظریه را ارائه می‌کند. و برنامه های کاربردی به گونه ای که برای خوانندگان با زمینه های مختلف قابل دسترسی باشد و در عین حال مرجع معتبری برای محققان پیشرفته باشد. این کتاب با توجه به مقدماتی تمام مطالب و گنجاندن تمرینات در هر فصل، برای استفاده در دوره نیز مناسب است. کتاب با مقدمه ای کلی بر الگوریتم های یادگیری ماشین و تجزیه و تحلیل آنها آغاز می شود. سپس نظریه اصلی تقویت، به ویژه توانایی آن در تعمیم را بررسی می کند. برخی از بی‌شمار دیدگاه‌های نظری دیگر را که به توضیح و درک تقویت کمک می‌کنند، بررسی می‌کند. برنامه های کاربردی تقویت را برای مشکلات یادگیری پیچیده تر ارائه می دهد. و در نهایت تعدادی از مباحث نظری پیشرفته را ارائه می دهد. برنامه های کاربردی متعدد و تصاویر عملی در سراسر ارائه شده است.
توضیحاتی درمورد کتاب به خارجی
Boosting is an approach to machine learning based on the idea of creating a highly accurate predictor by combining many weak and inaccurate "rules of thumb." A remarkably rich theory has evolved around boosting, with connections to a range of topics, including statistics, game theory, convex optimization, and information geometry. Boosting algorithms have also enjoyed practical success in such fields as biology, vision, and speech processing. At various times in its history, boosting has been perceived as mysterious, controversial, even paradoxical.This book, written by the inventors of the method, brings together, organizes, simplifies, and substantially extends two decades of research on boosting, presenting both theory and applications in a way that is accessible to readers from diverse backgrounds while also providing an authoritative reference for advanced researchers. With its introductory treatment of all material and its inclusion of exercises in every chapter, the book is appropriate for course use as well. The book begins with a general introduction to machine learning algorithms and their analysis; then explores the core theory of boosting, especially its ability to generalize; examines some of the myriad other theoretical viewpoints that help to explain and understand boosting; provides practical extensions of boosting for more complex learning problems; and finally presents a number of advanced theoretical topics. Numerous applications and practical illustrations are offered throughout.
