دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Introduction to machine learning
دانلود کتاب مقدمه ای بر یادگیری ماشین
مشخصات کتاب
Introduction to machine learning
ویرایش: 2nd. ed
نویسندگان: E Alpaydin
سری: Adaptive computation and machine learning
ISBN (شابک) : 9780262012430, 026201243X
ناشر: The MIT Press
سال نشر: 2010
تعداد صفحات: 563
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب 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
هدف یادگیری ماشینی برنامه‌ریزی رایانه‌ها برای استفاده از داده‌های نمونه یا تجربیات گذشته برای حل یک مشکل معین است. بسیاری از کاربردهای موفق یادگیری ماشین در حال حاضر وجود دارد، از جمله سیستم‌هایی که داده‌های فروش گذشته را برای پیش‌بینی رفتار مشتری تجزیه و تحلیل می‌کنند، رفتار ربات را بهینه می‌کنند تا یک کار با حداقل منابع تکمیل شود، و دانش را از داده‌های بیوانفورماتیک استخراج می‌کند. ویرایش دوم Introduction to Machine Learning یک کتاب درسی جامع در این زمینه است که مجموعه وسیعی از موضوعات را پوشش می دهد که معمولاً در متون یادگیری ماشین مقدماتی گنجانده نمی شوند. به منظور ارائه یک درمان یکپارچه از مشکلات و راه‌حل‌های یادگیری ماشین، روش‌های بسیاری از زمینه‌های مختلف از جمله آمار، تشخیص الگو، شبکه‌های عصبی، هوش مصنوعی، پردازش سیگنال، کنترل و داده‌کاوی را مورد بحث قرار می‌دهد. تمامی الگوریتم های یادگیری توضیح داده شده است تا دانش آموز بتواند به راحتی از معادلات کتاب به یک برنامه کامپیوتری حرکت کند. این متن موضوعاتی مانند یادگیری نظارت شده، نظریه تصمیم گیری بیزی، روش های پارامتری، روش های چند متغیره، پرسپترون های چندلایه، مدل های محلی، مدل های پنهان مارکوف، ارزیابی و مقایسه الگوریتم های طبقه بندی، و یادگیری تقویتی را پوشش می دهد. فصل‌هایی در مورد ماشین‌های هسته، مدل‌های گرافیکی و تخمین بیزی جدید در ویرایش دوم وجود دارد. پوشش گسترده تست‌های آماری در فصلی درباره طراحی و تجزیه و تحلیل آزمایش‌های یادگیری ماشین؛ مطالعات موردی موجود در وب (با نتایج قابل دانلود برای مربیان)؛ و بسیاری از تمرینات اضافی تمام فصل ها اصلاح و به روز شده است. مقدمه‌ای بر یادگیری ماشینی می‌تواند توسط دانش‌آموزان و دانشجویان پیشرفته‌ای که دوره‌های برنامه‌نویسی کامپیوتر، احتمالات، حساب دیفرانسیل و انتگرال و جبر خطی را گذرانده‌اند، مورد استفاده قرار گیرد. همچنین برای مهندسین در این زمینه که با استفاده از روش‌های یادگیری ماشینی سروکار دارند، جالب خواهد بود.
توضیحاتی درمورد کتاب به خارجی
The goal of machine learning is to program computers to use example data or past experience to solve a given problem. Many successful applications of machine learning exist already, including systems that analyze past sales data to predict customer behavior, optimize robot behavior so that a task can be completed using minimum resources, and extract knowledge from bioinformatics data. The second edition of Introduction to Machine Learning is a comprehensive textbook on the subject, covering a broad array of topics not usually included in introductory machine learning texts. In order to present a unified treatment of machine learning problems and solutions, it discusses many methods from different fields, including statistics, pattern recognition, neural networks, artificial intelligence, signal processing, control, and data mining. All learning algorithms are explained so that the student can easily move from the equations in the book to a computer program. The text covers such topics as supervised learning, Bayesian decision theory, parametric methods, multivariate methods, multilayer perceptrons, local models, hidden Markov models, assessing and comparing classification algorithms, and reinforcement learning. New to the second edition are chapters on kernel machines, graphical models, and Bayesian estimation; expanded coverage of statistical tests in a chapter on design and analysis of machine learning experiments; case studies available on the Web (with downloadable results for instructors); and many additional exercises. All chapters have been revised and updated. Introduction to Machine Learning can be used by advanced undergraduates and graduate students who have completed courses in computer programming, probability, calculus, and linear algebra. It will also be of interest to engineers in the field who are concerned with the application of machine learning methods.
فهرست مطالب
Contents......Page 7
Series Foreword......Page 17
Figures......Page 19
Tables......Page 29
Preface......Page 31
Acknowledgments......Page 33
Notes for the Second Edition......Page 35
Notations......Page 39
1 Introduction......Page 41
2 Supervised Learning......Page 61
3 Bayesian Decision Theory......Page 87
4 Parametric Methods......Page 101
5 Multivariate Methods......Page 127
6 Dimensionality Reduction......Page 149
7 Clustering......Page 183
8 Nonparametric Methods......Page 203
9 Decision Trees......Page 225
10 Linear Discrimination......Page 249
11 Multilayer Perceptrons......Page 273
12 Local Models......Page 319
13 Kernel Machines......Page 349
14 Bayesian Estimation......Page 381
15 Hidden Markov Models......Page 403
16 Graphical Models......Page 427
17 Combining Multiple Learners ......Page 459
18 Reinforcement Learning......Page 487
19 Design and Analysis of Machine Learning Experiments......Page 515
A Probability......Page 557
Index......Page 569
