برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to Machine Learning

دانلود کتاب مقدمه ای بر یادگیری ماشین

مشخصات کتاب

Introduction to Machine Learning

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: third edition 
نویسندگان: Ethem Alpaydin  
سری: Adaptive Computation and Machine Learning series 
ISBN (شابک) : 0262028182, 9780262028189 
ناشر: The MIT Press 
سال نشر: 2014 
تعداد صفحات: 640 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت

قیمت کتاب (تومان) : 54,000

کلمات کلیدی مربوط به کتاب مقدمه ای بر یادگیری ماشین: انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 9

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. مقدمه ای بر یادگیری ماشینیg یک کتاب درسی جامع در مورد این موضوع است که مجموعه وسیعی از موضوعات را پوشش می دهد که معمولاً در متون یادگیری ماشین مقدماتی گنجانده نمی شوند. موضوعات شامل یادگیری تحت نظارت. نظریه تصمیم بیزی؛ روش های پارامتریک، نیمه پارامتریک و ناپارامتریک؛ تحلیل چند متغیره؛ مدل های پنهان مارکوف؛ یادگیری تقویتی؛ ماشین های هسته؛ مدل های گرافیکی; تخمین بیزی؛ و تست آماری.

یادگیری ماشینی به سرعت در حال تبدیل شدن به مهارتی است که دانشجویان علوم کامپیوتر باید قبل از فارغ التحصیلی به آن تسلط پیدا کنند. ویرایش سوم مقدمه ای بر یادگیری ماشین این تغییر را با پشتیبانی اضافه برای مبتدیان، از جمله راه حل های انتخاب شده برای تمرین ها و مجموعه داده های نمونه اضافی (با کد موجود به صورت آنلاین) منعکس می کند. سایر تغییرات اساسی شامل بحث در مورد تشخیص نقاط دورتر است. الگوریتم های رتبه بندی برای پرسپترون ها و ماشین های بردار پشتیبان. تجزیه ماتریس و روش های طیفی. تخمین فاصله؛ الگوریتم های هسته جدید؛ یادگیری عمیق در پرسپترون های چند لایه. و رویکرد ناپارامتریک به روش های بیزی. تمامی الگوریتم های یادگیری توضیح داده شده اند تا دانش آموزان بتوانند به راحتی از معادلات کتاب به یک برنامه کامپیوتری حرکت کنند. این کتاب هم برای دانشجویان پیشرفته و هم برای دانشجویان کارشناسی ارشد قابل استفاده است. همچنین برای حرفه‌ای‌هایی که به کاربرد روش‌های یادگیری ماشین اهمیت می‌دهند، 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. 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. Subjects include supervised learning; Bayesian decision theory; parametric, semi-parametric, and nonparametric methods; multivariate analysis; hidden Markov models; reinforcement learning; kernel machines; graphical models; Bayesian estimation; and statistical testing.

Machine learning is rapidly becoming a skill that computer science students must master before graduation. The third edition of Introduction to Machine Learning reflects this shift, with added support for beginners, including selected solutions for exercises and additional example data sets (with code available online). Other substantial changes include discussions of outlier detection; ranking algorithms for perceptrons and support vector machines; matrix decomposition and spectral methods; distance estimation; new kernel algorithms; deep learning in multilayered perceptrons; and the nonparametric approach to Bayesian methods. All learning algorithms are explained so that students can easily move from the equations in the book to a computer program. The book can be used by both advanced undergraduates and graduate students. It will also be of interest to professionals who are concerned with the application of machine learning methods.