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:
نویسندگان: Dan A Simovici
سری:
ISBN (شابک) : 9813229683, 9789813229686
ناشر: World Scientific Publishing Co Pte Ltd
سال نشر: 2018
تعداد صفحات: 968
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Mathematical Analysis for Machine Learning and Data Mining 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 تجزیه و تحلیل ریاضی برای یادگیری ماشین و داده کاوی 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.
این خلاصه مقدمه ای مستقل برای تحلیل ریاضی در زمینه یادگیری ماشین و داده کاوی ارائه می دهد. جزء تجزیه و تحلیل ریاضی برنامه درسی معمولی ریاضی برای دانشآموزان علوم کامپیوتر، این ایدهها و تکنیکهای بسیار مهم را حذف میکند که برای نزدیک شدن به حوزه تخصصی یادگیری ماشین با محوریت بهینهسازی مانند ماشینهای بردار پشتیبان، شبکههای عصبی، انواع مختلف رگرسیون، انتخاب ویژگی، ضروری هستند. و خوشه بندی این کتاب مورد توجه ویژه محققان و دانشجویان فارغ التحصیل است که از این حوزه های کاربردی مورد بحث در کتاب بهره مند خواهند شد.
This compendium provides a self-contained introduction to mathematical analysis in the field of machine learning and data mining. The mathematical analysis component of the typical mathematical curriculum for computer science students omits these very important ideas and techniques which are indispensable for approaching specialized area of machine learning centered around optimization such as support vector machines, neural networks, various types of regression, feature selection, and clustering. The book is of special interest to researchers and graduate students who will benefit from these application areas discussed in the book.
Cover Title Page Copyright Epigraph Preface Contents Part I: Set-Theoretical and Algebraic Preliminaries 1 Preliminaries 2 Linear Spaces 3 Algebra of Convex Sets Part II: Topology 4 Topology 5 Metric Space Topologies 6 Topological Linear Spaces Part III: Measure and Integration 7 Measurable Spaces and Measures 8 Integration Part IV: Functional Analysis and Convexity 9 Banach Spaces 10 Differentiability of Functions Defined on Normed Spaces 11 Hilbert Spaces 12 Convex Functions Part V: Applications 13 Optimization 14 Iterative Algorithms 15 Neural Networks 16 Regression 17 Support Vector Machines Bibliography Index