دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Linear Algebra and Learning from Data
دانلود کتاب جبر خطی و یادگیری از داده ها
مشخصات کتاب
Linear Algebra and Learning from Data
ویرایش:
نویسندگان: Strang. Gilbert
سری:
ISBN (شابک) : 9780692196380, 0692196382
ناشر: Wellesley-Cambridge Press
سال نشر: 2019
تعداد صفحات: 448
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 25 مگابایت
قیمت کتاب (تومان) : 47,000
کلمات کلیدی مربوط به کتاب جبر خطی و یادگیری از داده ها: جبر، خطی -- کتاب های درسی، بهینه سازی ریاضی -- کتاب های درسی، آمار ریاضی -- کتاب های درسی، جبر خطی، جبر خطی، بهینه سازی ریاضی، جبر، خطی، آمار ریاضی، بهینه سازی ریاضی، بهینه سازی ریاضی،
در صورت تبدیل فایل کتاب Linear Algebra and Learning from 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 جبر خطی و یادگیری از داده ها 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 جبر خطی و یادگیری از داده ها
جبر خطی و پایه های یادگیری عمیق، بالاخره با هم! از پروفسور گیلبرت استرنگ، نویسنده تحسین شده کتاب مقدمه ای بر جبر خطی، جبر خطی و یادگیری از داده ها، اولین کتاب درسی که جبر خطی را همراه با یادگیری عمیق و شبکه های عصبی آموزش می دهد، ارائه شده است. این کتاب درسی خواندنی و در عین حال دقیق حاوی یک دوره کامل در جبر خطی و ریاضیات مرتبط است که دانش‌آموزان برای یادگیری از داده‌ها باید بدانند. شامل: چهار زیرفضای بنیادی، تجزیه مقادیر منفرد، ماتریس‌های ویژه، تکنیک‌های محاسباتی ماتریس بزرگ، سنجش فشرده، احتمال و آمار، بهینه‌سازی، معماری شبکه‌های عصبی، نزول گرادیان تصادفی و پس انتشار.
توضیحاتی درمورد کتاب به خارجی
Linear algebra and the foundations of deep learning, together at last! From Professor Gilbert Strang, acclaimed author of Introduction to Linear Algebra, comes Linear Algebra and Learning from Data, the first textbook that teaches linear algebra together with deep learning and neural nets. This readable yet rigorous textbook contains a complete course in the linear algebra and related mathematics that students need to know to get to grips with learning from data. Included are: the four fundamental subspaces, singular value decompositions, special matrices, large matrix computation techniques, compressed sensing, probability and statistics, optimization, the architecture of neural nets, stochastic gradient descent and backpropagation.
فهرست مطالب
1 2 3 4
