ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning: a Concise Introduction

دانلود کتاب یادگیری ماشینی: مقدمه ای مختصر

Machine Learning: a Concise Introduction

مشخصات کتاب

Machine Learning: a Concise Introduction

ویرایش: Hardcover 
نویسندگان:   
سری:  
ISBN (شابک) : 1119439191, 9781119439196 
ناشر: Wiley 
سال نشر: 2018 
تعداد صفحات: 331 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 18 مگابایت

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


در صورت تبدیل فایل کتاب Machine Learning: a Concise Introduction 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: مقدمه ای مختصر 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 یادگیری ماشینی: مقدمه ای مختصر

مقدمه ای بر یادگیری ماشین که شامل تکنیک ها، روش ها و کاربردهای اساسی است

آموزش ماشینی: مقدمه ای مختصرمقدمه ای جامع بر هسته ارائه می دهد. مفاهیم، ​​رویکردها و کاربردهای یادگیری ماشینی. نویسنده - یک متخصص برجسته در این زمینه - تعدادی از مشکلات را ارائه می دهد که روش های یادگیری ماشینی می توانند آنها را حل کنند، و شامل ایده های اساسی و اصطلاحات مورد استفاده برای توصیف این مشکلات و راه حل های آنها است. روش‌های مختلفی برای طبقه‌بندی، گروه‌بندی شده بر اساس نحوه برخورد آنها با مسئله نیز ارائه شده‌اند. متن حاوی یک بحث اساسی در مورد مبادله بایاس واریانس است که به درک اصول طراحی در پشت روش‌های مجموعه کمک می‌کند.یادگیری ماشین: مقدمه مختصرهمچنین شامل انواع روش‌های مجموعه است و با روش‌ها پایان می‌یابد. برای تخمین ریسک و انتخاب مدل این منبع مهم:


شامل تکنیک‌هایی است که می‌توان با دانش زبان برنامه‌نویسی سطح متوسط ​​پیاده‌سازی کرد. که نحوه اعمال و تفسیر بسیاری از روش‌های طبقه‌بندی را نشان می‌دهد. حاوی اطلاعات مفیدی برای برقراری ارتباط مؤثر با مشتریان است. برای درک روش ها و کاربرد یادگیری ماشینی.


توضیحاتی درمورد کتاب به خارجی

An introduction to machine learning that includes the fundamental techniques, methods, and applications

Machine Learning: a Concise Introductionoffers a comprehensive introduction to the core concepts, approaches, and applications of machine learning. The author--a noted expert in the field--presents a number of problems which machine learning methods can solve, and includes the fundamental ideas and terminology used to describe these problems and their solutions. Various methods for classification, grouped according to how they approach the problem are also presented. The text contains an essential discussion on bias-variance trade-off that helps with an understanding of the design principles behind ensemble methods.Machine Learning: a Concise Introductionalso includes a variety of ensemble methods and concludes with methods for risk estimation and model selection. This important resource:


Includes techniques that can be implemented with knowledge of mid-level programming language Offers opportunities for hands-on experience based on the methods covered in the core material Presents R source code which illustrates how to apply and interpret many of the classification methods Contains useful information for effectively communicating with clients A volume in the popular Wiley Series in Probability and Statistics,Machine Learning: a Concise Introductionoffers the practical information needed for an understanding of the methods and application of machine learning.



فهرست مطالب

Intro
 Title page
 Copyright
 Preface
 Organizationâ#x80
#x94
How to Use This Book
 Acknowledgments
 About the Companion Website
 Chapter 1: Introductionâ#x80
#x94
Examples from Real Life
 Chapter 2: The Problem of Learning
 2.1 Domain
 2.2 Range
 2.3 Data
 2.4 Loss
 2.5 Risk
 2.6 The Reality of the Unknown Function
 2.7 Training and Selection of Models, and Purposes of Learning
 2.8 Notation
 Chapter 3: Regression
 3.1 General Framework
 3.2 Loss
 3.3 Estimating the Model Parameters
 3.4 Properties of Fitted Values
 3.5 Estimating the Variance
 3.6 A Normality Assumption
 3.7 Computation. 3.8 Categorical Features3.9 Feature Transformations, Expansions, and Interactions
 3.10 Variations in Linear Regression
 3.11 Nonparametric Regression
 Chapter 4: Survey of Classification Techniques
 4.1 The Bayes Classifier
 4.2 Introduction to Classifiers
 4.3 A Running Example
 4.4 Likelihood Methods
 4.5 Prototype Methods
 4.6 Logistic Regression
 4.7 Neural Networks
 4.8 Classification Trees
 4.9 Support Vector Machines
 4.10 Postscript: Example Problem Revisited
 Chapter 5: Biasâ#x80
#x93
Variance Trade-off
 5.1 Squared-Error Loss
 5.2 Arbitrary Loss
 Chapter 6: Combining Classifiers. 6.1 Ensembles6.2 Ensemble Design
 6.3 Bootstrap Aggregation (Bagging)
 6.4 Bumping
 6.5 Random Forests
 6.6 Boosting
 6.7 Arcing
 6.8 Stacking and Mixture of Experts
 Chapter 7: Risk Estimation and Model Selection
 7.1 Risk Estimation via Training Data
 7.2 Risk Estimation via Validation or Test Data
 7.3 Cross-Validation
 7.4 Improvements on Cross-Validation
 7.5 Out-of-Bag Risk Estimation
 7.6 Akaikeâ#x80
#x99
s Information Criterion
 7.7 Schwartzâ#x80
#x99
s Bayesian Information Criterion
 7.8 Rissanenâ#x80
#x99
s Minimum Description Length Criterion
 7.9 R2 and Adjusted R2
 7.10 Stepwise Model Selection. 7.11 Occamâ#x80
#x99
s RazorChapter 8: Consistency
 8.1 Convergence of Sequences of Random Variables
 8.2 Consistency for Parameter Estimation
 8.3 Consistency for Prediction
 8.4 There Are Consistent and Universally Consistent Classifiers
 8.5 Convergence to Asymptopia Is Not Uniform and May Be Slow
 Chapter 9: Clustering
 9.1 Gaussian Mixture Models
 9.2 k-Means
 9.3 Clustering by Mode-Hunting in a Density Estimate
 9.4 Using Classifiers to Cluster
 9.5 Dissimilarity
 9.6 k-Medoids
 9.7 Agglomerative Hierarchical Clustering
 9.8 Divisive Hierarchical Clustering. 9.9 How Many Clusters Are There? Interpretation of Clustering9.10 An Impossibility Theorem
 Chapter 10: Optimization
 10.1 Quasi-Newton Methods
 10.2 The Nelderâ#x80
#x93
Mead Algorithm
 10.3 Simulated Annealing
 10.4 Genetic Algorithms
 10.5 Particle Swarm Optimization
 10.6 General Remarks on Optimization
 10.7 The Expectation-Maximization Algorithm
 Chapter 11: High-Dimensional Data
 11.1 The Curse of Dimensionality
 11.2 Two Running Examples
 11.3 Reducing Dimension While Preserving Information
 11.4 Model Regularization
 Chapter 12: Communication with Clients.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی