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 Practical Approach on the Statistical Learning Theory

دانلود کتاب یادگیری ماشینی: رویکردی عملی در نظریه یادگیری آماری

Machine Learning: a Practical Approach on the Statistical Learning Theory

مشخصات کتاب

Machine Learning: a Practical Approach on the Statistical Learning Theory

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 9783319949888, 9783319949895 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 373 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت

قیمت کتاب (تومان) : 51,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Machine Learning: a Practical Approach on the Statistical Learning Theory 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: رویکردی عملی در نظریه یادگیری آماری 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: رویکردی عملی در نظریه یادگیری آماری

این کتاب با استفاده از مثال‌های عملی، الگوریتم‌ها و کدهای منبع، تئوری یادگیری آماری را به صورت مفصل و قابل فهم ارائه می‌کند. این می تواند به عنوان یک کتاب درسی در دوره های فارغ التحصیلی یا کارشناسی، برای خودآموزان یا به عنوان مرجع با توجه به مفاهیم نظری اصلی یادگیری ماشین استفاده شود. مفاهیم اساسی جبر خطی و بهینه‌سازی اعمال شده در یادگیری ماشین، و همچنین کدهای منبع در R ارائه شده است، که کتاب را تا حد امکان خودکفا می‌کند. با مقدمه‌ای بر مفاهیم و الگوریتم‌های یادگیری ماشین مانند پرسپترون، پرسپترون چندلایه و نزدیک‌ترین همسایه‌های وزن‌دار فاصله با مثال‌هایی شروع می‌شود تا پایه و اساس لازم را فراهم کند تا خواننده بتواند معضل تعصب-واریانس را درک کند. نقطه مرکزی تئوری یادگیری آماری پس از آن، همه مفروضات را معرفی می کنیم و نظریه یادگیری آماری را رسمی می کنیم و امکان مطالعه عملی الگوریتم های طبقه بندی مختلف را فراهم می کنیم. سپس، با نابرابری‌های تمرکز تا رسیدن به مرزهای تعمیم و حاشیه بزرگ پیش می‌رویم که انگیزه‌های اصلی را برای ماشین‌های بردار پشتیبان فراهم می‌کند. از آن جا، تمام مفاهیم بهینه سازی لازم مربوط به پیاده سازی ماشین های بردار پشتیبان را معرفی می کنیم. برای ارائه مرحله بعدی توسعه، کتاب با بحث در مورد هسته های SVM به عنوان راهی و انگیزه برای مطالعه فضاهای داده و بهبود نتایج طبقه بندی به پایان می رسد.


توضیحاتی درمورد کتاب به خارجی

This book presents the Statistical Learning Theory in a detailed and easy to understand way, by using practical examples, algorithms and source codes. It can be used as a textbook in graduation or undergraduation courses, for self-learners, or as reference with respect to the main theoretical concepts of Machine Learning. Fundamental concepts of Linear Algebra and Optimization applied to Machine Learning are provided, as well as source codes in R, making the book as self-contained as possible. It starts with an introduction to Machine Learning concepts and algorithms such as the Perceptron, Multilayer Perceptron and the Distance-Weighted Nearest Neighbors with examples, in order to provide the necessary foundation so the reader is able to understand the Bias-Variance Dilemma, which is the central point of the Statistical Learning Theory. Afterwards, we introduce all assumptions and formalize the Statistical Learning Theory, allowing the practical study of different classification algorithms. Then, we proceed with concentration inequalities until arriving to the Generalization and the Large-Margin bounds, providing the main motivations for the Support Vector Machines. From that, we introduce all necessary optimization concepts related to the implementation of Support Vector Machines. To provide a next stage of development, the book finishes with a discussion on SVM kernels as a way and motivation to study data spaces and improve classification results.





نظرات کاربران

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