دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Innovations in Machine Learning: Theory and Applications
دانلود کتاب نوآوری در یادگیری ماشین: نظریه و کاربردها
مشخصات کتاب
Innovations in Machine Learning: Theory and Applications
ویرایش: 1 نویسندگان: David Heckerman, Christopher Meek, Gregory Cooper (auth.), Professor Dawn E. Holmes, Professor Lakhmi C. Jain (eds.) سری: Studies in Fuzziness and Soft Computing 194 ISBN (شابک) : 9783540306092, 9783540334866 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2006 تعداد صفحات: 284 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 75,000
کلمات کلیدی مربوط به کتاب نوآوری در یادگیری ماشین: نظریه و کاربردها: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Innovations in Machine Learning: Theory and Applications 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 نوآوری در یادگیری ماشین: نظریه و کاربردها 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 نوآوری در یادگیری ماشین: نظریه و کاربردها
یادگیری ماشین در حال حاضر یکی از سریعترین حوزههای تحقیق در علوم کامپیوتر است. در گردآوری این جلد، مشارکتهای برخی از معتبرترین محققان در این زمینه را گرد هم آوردهایم. این کتاب سه سیستم اصلی یادگیری را پوشش می دهد. یادگیری نمادین، شبکه های عصبی و الگوریتم های ژنتیک و همچنین ارائه یک آموزش در مورد یادگیری تأثیرات اتفاقی. هر یک از 9 فصل مستقل است.
هم نظریهپردازان و هم دانشمندان و مهندسان کاربردی در حوزه وسیع هوش مصنوعی، این حجم را ارزشمند میدانند. همچنین منبع مفیدی برای تحصیلات تکمیلی فراهم می کند زیرا جهت تحقیقات فعلی را نشان می دهد.
توضیحاتی درمورد کتاب به خارجی
Machine learning is currently one of the most rapidly growing areas of research in computer science. In compiling this volume we have brought together contributions from some of the most prestigious researchers in this field. This book covers the three main learning systems; symbolic learning, neural networks and genetic algorithms as well as providing a tutorial on learning casual influences. Each of the nine chapters is self-contained.
Both theoreticians and application scientists/engineers in the broad area of artificial intelligence will find this volume valuable. It also provides a useful sourcebook for Postgraduate since it shows the direction of current research.
فهرست مطالب
A Bayesian Approach to Causal Discovery....Pages 1-28
A Tutorial on Learning Causal Influence....Pages 29-71
Learning Based Programming....Pages 73-95
N-1 Experiments Suffice to Determine the Causal Relations Among N Variables....Pages 97-112
Support Vector Inductive Logic Programming....Pages 113-135
Neural Probabilistic Language Models....Pages 137-186
Computational Grammatical Inference....Pages 187-203
On Kernel Target Alignment....Pages 205-256
The Structure of Version Space....Pages 257-273
