ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Learning Kernel Classifiers: Theory and Algorithms

دانلود کتاب یادگیری طبقه بندی کننده هسته: نظریه و الگوریتم

Learning Kernel Classifiers: Theory and Algorithms

مشخصات کتاب

Learning Kernel Classifiers: Theory and Algorithms

دسته بندی: آموزشی
ویرایش:  
نویسندگان:   
سری: Adaptive Computation and Machine Learning 
ISBN (شابک) : 026208306X, 9780262083065 
ناشر: The MIT Press 
سال نشر: 2001 
تعداد صفحات: 371 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Learning Kernel Classifiers: Theory and Algorithms 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 طبقه بندی کننده هسته: نظریه و الگوریتم 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 یادگیری طبقه بندی کننده هسته: نظریه و الگوریتم

طبقه‌بندی‌کننده‌های خطی در فضاهای هسته به عنوان یک موضوع اصلی در زمینه یادگیری ماشین ظاهر شده‌اند. تکنیک هسته، طبقه‌بندی‌کننده خطی - یک مدل محدود، اما به خوبی تثبیت‌شده و به‌طور جامع مورد مطالعه قرار می‌گیرد - و کاربرد آن را به طیف گسترده‌ای از وظایف تشخیص الگوی غیرخطی مانند پردازش زبان طبیعی، بینایی ماشین، و تحلیل توالی بیولوژیکی گسترش می‌دهد. این کتاب اولین مروری جامع از هر دو نظریه و الگوریتم های طبقه بندی کننده هسته، از جمله آخرین پیشرفت ها را ارائه می دهد. این کار با توصیف پیشرفت‌های الگوریتمی اصلی آغاز می‌شود: یادگیری پرسپترون هسته، تفکیک‌کننده‌های فیشر هسته، ماشین‌های بردار پشتیبان، ماشین‌های بردار مرتبط، فرآیندهای گاوسی، و ماشین‌های نقطه بیز. سپس مقدمه ای مفصل برای تئوری یادگیری، از جمله نظریه VC و PAC-Bayesian، به حداقل رساندن ریسک ساختاری وابسته به داده، و مرزهای فشرده سازی دنبال می شود. در سرتاسر این کتاب بر تعامل بین نظریه و الگوریتم ها تأکید می شود: الگوریتم های یادگیری چگونه کار می کنند و چرا. این کتاب شامل مثال‌های زیادی، شبه کد کامل الگوریتم‌های ارائه‌شده، و کتابخانه کد منبع گسترده است.


توضیحاتی درمورد کتاب به خارجی

Linear classifiers in kernel spaces have emerged as a major topic within the field of machine learning. The kernel technique takes the linear classifier - a limited, but well-established and comprehensively studied model - and extends its applicability to a wide range of nonlinear pattern-recognition tasks such as natural language processing, machine vision, and biological sequence analysis. This book provides the first comprehensive overview of both the theory and algorithms of kernel classifiers, including the most recent developments. It begins by describing the major algorithmic advances: kernel perceptron learning, kernel Fisher discriminants, support vector machines, relevance vector machines, Gaussian processes, and Bayes point machines. Then follows a detailed introduction to learning theory, including VC and PAC-Bayesian theory, data-dependent structural risk minimization, and compression bounds. Throughout, the book emphasizes the interaction between theory and algorithms: how learning algorithms work and why. The book includes many examples, complete pseudo code of the algorithms presented, and an extensive source code library.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی