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
ویرایش:
نویسندگان: Charu C. Aggarwal
سری:
ISBN (شابک) : 9783030403447, 3030403440
ناشر: Springer Nature
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 31 مگابایت
در صورت تبدیل فایل کتاب Linear Algebra and Optimization for Machine Learning: A Textbook 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 بهینه سازی برای یادگیری ماشین: کتاب درسی 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.
این کتاب درسی جبر خطی و بهینه سازی را در زمینه یادگیری ماشین معرفی می کند. مثالها و تمرینها در سراسر این کتاب درسی همراه با دسترسی به راهنمای راهحل ارائه شدهاند. این کتاب درسی دانشجویان مقطع کارشناسی ارشد و اساتید علوم کامپیوتر، ریاضیات و علوم داده را هدف قرار می دهد. دانشجویان مقطع کارشناسی ارشد نیز می توانند از این کتاب درسی استفاده کنند. فصلهای این کتاب درسی به شرح زیر سازماندهی شدهاند: 1. جبر خطی و کاربردهای آن: فصلها بر مبانی جبر خطی همراه با کاربردهای رایج آنها در تجزیه مقادیر مفرد، فاکتورسازی ماتریس، ماتریسهای شباهت (روشهای هسته) و تجزیه و تحلیل نمودار تمرکز دارند. . کاربردهای یادگیری ماشین متعددی به عنوان مثال استفاده شده است، مانند خوشهبندی طیفی، طبقهبندی مبتنی بر هسته، و تشخیص پرت. ادغام دقیق روشهای جبر خطی با مثالهایی از یادگیری ماشین، این کتاب را از مجلدات عمومی جبر خطی متمایز میکند. تمرکز به وضوح بر مرتبط ترین جنبه های جبر خطی برای یادگیری ماشین و آموزش به خوانندگان است که چگونه این مفاهیم را به کار گیرند. 2. بهینه سازی و کاربردهای آن: بسیاری از یادگیری ماشین به عنوان یک مسئله بهینه سازی مطرح می شود که در آن سعی می کنیم دقت مدل های رگرسیون و طبقه بندی را به حداکثر برسانیم. "مشکل والد" یادگیری ماشینی بهینه محور، رگرسیون حداقل مربعات است. جالب اینجاست که این مشکل هم در جبر خطی و هم در بهینهسازی به وجود میآید و یکی از مسائل کلیدی اتصال این دو میدان است. رگرسیون حداقل مربعات همچنین نقطه شروع برای ماشین های بردار پشتیبان، رگرسیون لجستیک و سیستم های توصیه گر است. علاوه بر این، روشهای کاهش ابعاد و فاکتورسازی ماتریسی نیز نیازمند توسعه روشهای بهینهسازی هستند. یک نمای کلی از بهینه سازی در نمودارهای محاسباتی همراه با کاربردهای آن برای انتشار پشتیبان در شبکه های عصبی مورد بحث قرار می گیرد. یک چالش مکرر که مبتدیان در یادگیری ماشین با آن مواجه هستند، پیشینه گسترده مورد نیاز در جبر خطی و بهینه سازی است. یک مشکل این است که جبر خطی و دوره های بهینه سازی موجود مختص یادگیری ماشین نیستند. بنابراین، فرد معمولاً باید مطالب درسی را بیش از آنچه برای یادگیری ماشین لازم است تکمیل کند. علاوه بر این، انواع خاصی از ایدهها و ترفندهای بهینهسازی و جبر خطی در یادگیری ماشین بیشتر از سایر تنظیمات برنامه محور تکرار میشوند. بنابراین، ایجاد دیدگاهی از جبر خطی و بهینهسازی که برای دیدگاه خاص یادگیری ماشین مناسبتر است، ارزش قابل توجهی دارد.
This textbook introduces linear algebra and optimization in the context of machine learning. Examples and exercises are provided throughout this text book together with access to a solution’s manual. This textbook targets graduate level students and professors in computer science, mathematics and data science. Advanced undergraduate students can also use this textbook. The chapters for this textbook are organized as follows: 1. Linear algebra and its applications: The chapters focus on the basics of linear algebra together with their common applications to singular value decomposition, matrix factorization, similarity matrices (kernel methods), and graph analysis. Numerous machine learning applications have been used as examples, such as spectral clustering, kernel-based classification, and outlier detection. The tight integration of linear algebra methods with examples from machine learning differentiates this book from generic volumes on linear algebra. The focus is clearly on the most relevant aspects of linear algebra for machine learning and to teach readers how to apply these concepts. 2. Optimization and its applications: Much of machine learning is posed as an optimization problem in which we try to maximize the accuracy of regression and classification models. The “parent problem” of optimization-centric machine learning is least-squares regression. Interestingly, this problem arises in both linear algebra and optimization, and is one of the key connecting problems of the two fields. Least-squares regression is also the starting point for support vector machines, logistic regression, and recommender systems. Furthermore, the methods for dimensionality reduction and matrix factorization also require the development of optimization methods. A general view of optimization in computational graphs is discussed together with its applications to back propagation in neural networks. A frequent challenge faced by beginners in machine learning is the extensive background required in linear algebra and optimization. One problem is that the existing linear algebra and optimization courses are not specific to machine learning; therefore, one would typically have to complete more course material than is necessary to pick up machine learning. Furthermore, certain types of ideas and tricks from optimization and linear algebra recur more frequently in machine learning than other application-centric settings. Therefore, there is significant value in developing a view of linear algebra and optimization that is better suited to the specific perspective of machine learning.