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: Christoph Molnar
سری:
ISBN (شابک) : 9798358729339
ناشر: Independently published
سال نشر: 2022
تعداد صفحات: 113
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Modeling Mindsets: The Many Cultures Of Learning From Data 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 ذهنیت های مدل سازی: بسیاری از فرهنگ های یادگیری از داده ها 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.
Preface Who This Book is For Introduction Models Have Variables And Learnable Functions Models Are Embedded In Mindsets A Mindset Is A Perspective Of The World Mindsets Are Cultural Mindsets Are Archetypes Mindsets Covered In This Book Statistical Modeling – Reason Under Uncertainty Every ``Thing\'\' Has A Distribution Models Encode The Data-Generating Process Good Models Satisfy Assumptions And Fit Data Models Enable Conclusions Strengths & Limitations Frequentism – Infer ``True\'\' Parameters Probability Is A Long-Run Frequency Imagined Experiments Underpin Inference Decide With Tests And Intervals Strengths & Limitations Bayesianism – Update Parameter Distributions Bayes Demands A Prior The Likelihood Unites All Statistical Mindsets The Posterior Is The Modeling Target Use The Posterior To Learn About The World Strengths & Limitations Likelihoodism – Likelihood As Evidence Statistical Mindsets Use Likelihood Differently Get Rid Of Priors And Imagined Experiments Compare Hypotheses Using Likelihoods Strengths & Limitations Causal Inference – Identify And Estimate Causes Causality Is Often Ignored Visualize Causality With DAGs Pick A Flavor Of Causality A Causal Model Comes Before Estimation Strengths & Limitations Machine Learning – Learn Algorithms From Data Put The Computer First Focus On Task Performance Machine Learning As Statistical Learning Strengths & Limitations Supervised Learning – Predict New Data Learning Is Optimization And Search Good Models Predict New Data Well Supervision Enables Automation And Competition Mimic Outputs, Not The Process Strengths & Limitations Unsupervised Learning – Find Hidden Patterns Find Patterns In The Data Distribution Unsupervised Learning Has Many Tasks Strengths & Limitations Reinforcement Learning – Learn To Interact The Model Acts In A Dynamic World Learn In Different Ways Combine Reinforcement With Deep Learning Strengths & Limitations Deep Learning - Learn End-To-End Networks Mindset Emerges From Neural Networks Modularity Allows End-To-End Modeling Properties Emerge From Neural Networks Strengths & Limitations The T-Shaped Modeler Pragmatic Modeling Requires Many Mindsets Don\'t Try To Be An Expert On All Mindsets Become A T-Shaped Modeler Acknowledgments References