دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: آموزشی ویرایش: 1 نویسندگان: Philip D. Laird سری: The Kluwer international series in engineering and computer science Knowledge representation, learning, and expert systems 47 ISBN (شابک) : 9780898382631, 0898382637 ناشر: Kluwer Academic Publishers سال نشر: 1988 تعداد صفحات: 230 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Learning from good and bad data 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 یادگیری از داده های خوب و بد 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.
یادگیری از داده های خوب و بد، شالوده نظری محکمی را توضیح می دهد که زیربنای بسیاری از تحقیقات تجربی در یادگیری ماشین است. در حالی که محور کار تئوری است، ارائه برای نظریه پردازان و متخصصان، متخصصان و غیرمتخصصان در زمینه به سرعت در حال توسعه یادگیری ماشین قابل دسترسی است. یادگیری تجربی (یادگیری از مثال) به منظور کشف ساختارهای رسمی مشترک در بسیاری از کارهای تجربی هوش مصنوعی در مورد موضوع، به صورت ریاضی مورد مطالعه قرار می گیرد.
Learning from Good and Bad Data explains the firm theoretical foundation that underlies much of the experimental research in machine learning. While the thrust of the work is theoretical, the presentation is accessible to theorists and practitioners, specialists and nonspecialists in the rapidly developing field of machine learning. Empirical learning (learning from example) is studied mathematically in order to uncover the formal structures common to much of the artificial intelligence experimental work on the subject.