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: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Stephen Marsland سری: Chapman & Hall/Crc Machine Learning & Pattern Recognition ISBN (شابک) : 1420067184, 9781420067187 ناشر: Chapman and Hall/CRC سال نشر: 2009 تعداد صفحات: 405 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری ماشین: دیدگاه الگوریتمی: انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Machine Learning: An Algorithmic Perspective 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 ماشین: دیدگاه الگوریتمی 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.
کتابهای سنتی در مورد یادگیری ماشینی را میتوان به دو گروه تقسیم کرد: کتابهایی که در مقطع کارشناسی پیشرفته یا فارغالتحصیلان اولیه با دانش ریاضی معقول هستند و کتابهایی که آغازگر نحوه کدنویسی الگوریتمها هستند. این زمینه برای متنی آماده است که نه تنها نحوه استفاده از الگوریتمهایی را که روشهای یادگیری ماشینی را تشکیل میدهند، نشان میدهد، بلکه پیشزمینه لازم برای درک چگونگی و چرایی کار این الگوریتمها را نیز فراهم میکند. یادگیری ماشین: دیدگاه الگوریتمی آن متن است.
تئوری پشتیبانشده با مثالهای عملی
این کتاب شبکه های عصبی، مدل های گرافیکی، یادگیری تقویتی، الگوریتم های تکاملی، روش های کاهش ابعاد و حوزه مهم بهینه سازی را پوشش می دهد. این خط باریکی را بین سختگیری تحصیلی کافی و فراگیر کردن دانش آموزان با معادلات و مفاهیم ریاضی طی می کند. نویسنده به صورت عملی به موضوعات می پردازد و در عین حال اطلاعات کامل و منابعی را ارائه می دهد که در آن توضیحات دیگری می توان یافت. او شامل نمونه هایی بر اساس مجموعه داده های گسترده در دسترس و مسائل عملی و نظری برای آزمایش درک و کاربرد مطالب است. این کتاب الگوریتمهایی را با نمونههای کدی که توسط یک وبسایت پشتیبانگیری شدهاند توصیف میکند که پیادهسازیهای کاری در پایتون را ارائه میدهد. نویسنده از دادههای برنامههای کاربردی مختلف برای نشان دادن روشها استفاده میکند و شامل مسائل عملی برای حل دانشآموزان میشود.
برخی از رشتهها و کاربردها را برجسته میکند
برگرفته از علوم کامپیوتر، آمار، ریاضیات و مهندسی، ماهیت چند رشته ای یادگیری ماشین با کاربرد آن در حوزه های مختلف از مالی گرفته تا زیست شناسی و پزشکی تا فیزیک و شیمی تاکید می شود. این کتاب که به سبکی آسان نوشته شده است، شکافهای بین رشتهها را پر میکند و ترکیبی ایدهآل از تئوری و دانش عملی و کاربردی را ارائه میدهد.
Traditional books on machine learning can be divided into two groups — those aimed at advanced undergraduates or early postgraduates with reasonable mathematical knowledge and those that are primers on how to code algorithms. The field is ready for a text that not only demonstrates how to use the algorithms that make up machine learning methods, but also provides the background needed to understand how and why these algorithms work. Machine Learning: An Algorithmic Perspective is that text.
Theory Backed up by Practical Examples
The book covers neural networks, graphical models, reinforcement learning, evolutionary algorithms, dimensionality reduction methods, and the important area of optimization. It treads the fine line between adequate academic rigor and overwhelming students with equations and mathematical concepts. The author addresses the topics in a practical way while providing complete information and references where other expositions can be found. He includes examples based on widely available datasets and practical and theoretical problems to test understanding and application of the material. The book describes algorithms with code examples backed up by a website that provides working implementations in Python. The author uses data from a variety of applications to demonstrate the methods and includes practical problems for students to solve.
Highlights a Range of Disciplines and Applications
Drawing from computer science, statistics, mathematics, and engineering, the multidisciplinary nature of machine learning is underscored by its applicability to areas ranging from finance to biology and medicine to physics and chemistry. Written in an easily accessible style, this book bridges the gaps between disciplines, providing the ideal blend of theory and practical, applicable knowledge.