دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic
دانلود کتاب روش‌های هسته برای یادگیری ماشین با ریاضیات و پایتون: 100 تمرین برای ایجاد منطق
مشخصات کتاب
Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic
ویرایش: [1st ed. 2022]
نویسندگان: Joe Suzuki
سری:
ISBN (شابک) : 9811904006, 9789811904004
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 220
[216]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic 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 روش‌های هسته برای یادگیری ماشین با ریاضیات و پایتون: 100 تمرین برای ایجاد منطق 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 روش‌های هسته برای یادگیری ماشین با ریاضیات و پایتون: 100 تمرین برای ایجاد منطق
مهمترین توانایی برای یادگیری ماشین و علم داده، منطق ریاضی برای درک ماهیت آنها به جای تکیه بر دانش یا تجربه است. این کتاب درسی با در نظر گرفتن مسائل ریاضی مرتبط و ساخت برنامه‌های پایتون به اصول روش‌های هسته برای یادگیری ماشین می‌پردازد.
ویژگی های اصلی کتاب به شرح زیر است:
- مطالب به صورت آسان نوشته شده است. برای دنبال کردن و سبک خودکفا.
- کتاب شامل 100 تمرین است که با دقت انتخاب و اصلاح شده است. از آنجایی که راه حل های آنها در متن اصلی ارائه شده است، خوانندگان می توانند با خواندن کتاب تمام تمرین ها را حل کنند.
- مقدمات ریاضی هسته ها ثابت شده است. و نتیجه‌گیری‌های صحیح ارائه می‌شود و به خوانندگان کمک می‌کند تا ماهیت هسته‌ها را درک کنند.
- برنامه‌های منبع و نمونه‌های در حال اجرا ارائه شده‌اند تا به خوانندگان کمک کنند تا درک عمیق‌تری داشته باشند. درک ریاضیات استفاده شده.
- هنگامی که خوانندگان درک اولیه ای از مباحث تحلیل عملکردی تحت پوشش در فصل 2 داشته باشند، کاربردها در ادامه مورد بحث قرار خواهند گرفت. فصل ها در اینجا، هیچ دانش قبلی از ریاضیات فرض نمی شود.
- این کتاب هم هسته را برای بازتولید هسته فضای هیلبرت (RKHS) و هم هسته را برای فرآیند گاوسی؛ تمایز روشنی بین این دو قائل شده است.
توضیحاتی درمورد کتاب به خارجی
The most crucial ability for machine learning and data science is mathematical logic for grasping their essence rather than relying on knowledge or experience. This textbook addresses the fundamentals of kernel methods for machine learning by considering relevant math problems and building Python programs.
The book’s main features are as follows:
- The content is written in an easy-to-follow and self-contained style.
- The book includes 100 exercises, which have been carefully selected and refined. As their solutions are provided in the main text, readers can solve all of the exercises by reading the book.
- The mathematical premises of kernels are proven and the correct conclusions are provided, helping readers to understand the nature of kernels.
- Source programs and running examples are presented to help readers acquire a deeper understanding of the mathematics used.
- Once readers have a basic understanding of the functional analysis topics covered in Chapter 2, the applications are discussed in the subsequent chapters. Here, no prior knowledge of mathematics is assumed.
- This book considers both the kernel for reproducing kernel Hilbert space (RKHS) and the kernel for the Gaussian process; a clear distinction is made between the two.
فهرست مطالب
Preface How to Overcome Your Kernel Weakness What Makes KMMP Unique? Acknowledgments Contents 1 Positive Definite Kernels 1.1 Positive Definiteness of a Matrix 1.2 Kernels 1.3 Positive Definite Kernels 1.4 Probability 1.5 Bochner's Theorem 1.6 Kernels for Strings, Trees, and Graphs Appendix Exercises 1 sim 15 2 Hilbert Spaces 2.1 Metric Spaces and Their Completeness 2.2 Linear Spaces and Inner Product Spaces 2.3 Hilbert Spaces 2.4 Projection Theorem 2.5 Linear Operators 2.6 Compact Operators Appendix: Proofs of Propositions Exercises 16 sim 30 3 Reproducing Kernel Hilbert Space 3.1 RKHSs 3.2 Sobolev Space 3.3 Mercer's Theorem Appendix Exercises 31 sim 45 4 Kernel Computations 4.1 Kernel Ridge Regression 4.2 Kernel Principle Component Analysis 4.3 Kernel SVM 4.4 Spline Curves 4.5 Random Fourier Features 4.6 Nyström Approximation 4.7 Incomplete Cholesky Decomposition Appendix Exercises 46 sim 64 5 The MMD and HSIC 5.1 Random Variables in RKHSs 5.2 The MMD and Two-Sample Problem 5.3 The HSIC and Independence Test 5.4 Characteristic and Universal Kernels 5.5 Introduction to Empirical Processes Appendix Exercises 65 sim83 6 Gaussian Processes and Functional Data Analyses 6.1 Regression 6.2 Classification 6.3 Gaussian Processes with Inducing Variables 6.4 Karhunen-Lóeve Expansion 6.5 Functional Data Analysis Appendix Exercises 83sim100 Appendix Bibliography
