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: 3e edition
نویسندگان: Lantz. Brett
سری:
ISBN (شابک) : 9781788295864, 9781789618006
ناشر: Packt Publishing
سال نشر: 2019
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 28 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری ماشین با R: تکنیک های خبره برای مدل سازی پیش بینی: تبادل داده، یادگیری ماشین / روشهای آماری، یادگیری ماشینی / روشهای آماری / کتابهای راهنما، کتابچههای راهنما، و غیره، یادگیری ماشین، R (زبان برنامه کامپیوتری)، R (زبان برنامه کامپیوتری) / کتابهای راهنما، راهنماها، و غیره، R (برنامه)، آمار
در صورت تبدیل فایل کتاب Machine learning with R: expert techniques for predictive modeling 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 با R: تکنیک های خبره برای مدل سازی پیش بینی 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.
معرفی یادگیری ماشین -- مدیریت و درک داده -- یادگیری تنبل : طبقه بندی با استفاده از نزدیکترین همسایگان -- یادگیری احتمالی : طبقه بندی با استفاده از بیز ساده -- تقسیم و غلبه : طبقه بندی با استفاده از درختان تصمیم گیری و قوانین -- پیش بینی داده های عددی : روش های رگرسیون -- سیاه روشهای جعبه: شبکههای عصبی و ماشینهای بردار پشتیبان - یافتن الگوها: تحلیل سبد بازار با استفاده از قوانین ارتباطی - یافتن گروههای داده: خوشهبندی با میانگینهای k - ارزیابی عملکرد مدل - بهبود عملکرد مدل - موضوعات تخصصی یادگیری ماشین.
Introducing machine learning -- Managing and understanding data -- Lazy learning : classification using nearest neighbors -- Probabilistic learning : classification using naive Bayes -- Divide and conquer : classification using decision trees and rules -- Forecasting numeric data : regression methods -- Black box methods : neural networks and support vector machines -- Finding patterns : market basket analysis using association rules -- Finding groups of data : clustering with k-means -- Evaluating model performance -- Improving model performance -- Specialized machine learning topics.
Intro
Contents
Preface
1. Normed and Banach spaces
1.1 Vector spaces
1.2 Normed spaces
1.3 Topology of normed spaces
1.4 Sequences in a normed space
Banach spaces
1.5 Compact sets
2. Continuous and linear maps
2.1 Linear transformations
2.2 Continuous maps
2.3 The normed space CL(X, Y)
2.4 Composition of continuous linear transformations
2.5 (â#x80
Ø) Open Mapping Theorem
2.6 Spectral Theory
2.7 (â#x80
Ø) Dual space and the Hahn-Banach Theorem
3. Differentiation
3.1 Definition of the derivative
3.2 Fundamental theorems of optimisation
3.3 Euler-Lagrange equation. 3.4 An excursion in Classical Mechanics4. Geometry of inner product spaces
4.1 Inner product spaces
4.2 Orthogonality
4.3 Best approximation
4.4 Generalised Fourier series
4.5 Riesz Representation Theorem
4.6 Adjoints of bounded operators
4.7 An excursion in Quantum Mechanics
5. Compact operators
5.1 Compact operators
5.2 The set KpX, Y q of all compact operators
5.3 Approximation of compact operators
5.4 (â#x80
Ø) Spectral Theorem for Compact Operators
6. A glimpse of distribution theory
6.1 Test functions, distributions, and examples
6.2 Derivatives in the distributional sense. 6.3 Weak solutions6.4 Multiplication by Câ#x88
#x9E
functions
6.5 Fourier transform of (tempered) distributions
Solutions
The Lebesgue integral
Bibliography
Index.