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: سری: ISBN (شابک) : 9780367634537, 9781003119258 ناشر: سال نشر: تعداد صفحات: 212 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
در صورت تبدیل فایل کتاب Machine Learning (2022) [Mirtaheri] [9780367634537] 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 ماشینی (2022) [میرطاهری] [9780367634537] 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 ماشینی (2022) [میرطاهری] [9780367634537]
Machine Learning (2022) [Mirtaheri] [9780367634537]
Cover Title Page Copyright Page Preface Table of Contents Abbreviations 1. Introduction 2. Linear Algebra Matrix rules Eigenvalues and eigenvectors LU decomposition Statistics and probabilities Momentums Expectation Multivariate distributions Cauchy distribution Dirichlet distribution Multimodal distribution Student’s t distribution Gaussian distribution 3. Machine Learning Machine learning approaches Historical background Data mining Optimization Statistics Theory Different kinds of learning algorithms Supervised learning Unsupervised learning K means clustering Principal component analysis Semi-supervised learning Reinforcement learning Self-learning Feature learning Machine learning models Linear regression Logistic regression K nearest neighbor classifier Naïve Bayesian classifier Artificial neural networks Decision trees and random forests Support vector machines Bayesian networks Genetic algorithms Federated learning 4. Some Practical Notes Resampling method Cross validation Leave one out cross validation K-fold cross validation Metrics Accuracy Precision Recall F1 score Normalization Overfitting and underfitting Regularization Ridge regression Lasso regression Dropout regularization Ceiling analysis 5. Deep Learning Overview Interpretations Artificial neural networks Deep neural networks Deep learning algorithms Convolutional neural networks Recurrent neural networks Long short term memory networks Generative adversarial networks Radial basis function networks (RBFNs) Multi-layer perceptrons (MLP) Deep belief networks Restricted Boltzmann machines Autoencoders Challenges 6. Generative Adversarial Networks Generative Adversarial Networks (GANs) Conditional GAN (CGAN) Auxiliary Classifier GAN (AC-GAN) Wasserstein GAN (WGAN) WGAN with Gradient Penalty (WGAN-GP) Info GAN Least Square GAN (LSGAN) Bidirectional GAN (BiGAN) Dual GAN Deep Convolutional GAN (DCGAN) 7. Implementation Accelerated computing Machine learning frameworks and libraries No need for special hardware support Interactive data analytic and visualization tools Deep learning frameworks and libraries TensorFlow Keras Microsoft CNTK Caffe Caffe2 Torch PyTorch MXNet Chainer Theano Deep learning wrapper libraries References Index