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: J. Zhang
سری:
ISBN (شابک) : 9789533070346
ناشر: In-Tech
سال نشر: 2010
تعداد صفحات: 374
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 19 مگابایت
در صورت تبدیل فایل کتاب New Advances in Machine Learning 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 پیشرفت های جدید در یادگیری ماشین 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.
هدف این کتاب ارائه مقدمه ای به روز و سیستماتیک بر اصول و الگوریتم های یادگیری ماشینی است. تعریف یادگیری به اندازهای گسترده است که بیشتر وظایفی را که معمولاً آنها را وظایف «یادگیری» مینامیم، در بر میگیرد، همانطور که از این کلمه در زندگی روزمره استفاده میکنیم. همچنین به اندازه کافی گسترده است که رایانه هایی را که از طریق تجربه به روش های کاملاً ساده بهبود می یابند، در بر گیرد. این کتاب برای مهندسین صنایع و دانشمندان و همچنین دانشگاهیان که مایل به دنبال کردن یادگیری ماشینی هستند مورد علاقه خواهد بود. این کتاب برای دانشجویان فارغ التحصیل و کارشناسی ارشد در رشته هایی مانند علوم کامپیوتر، سایبرنتیک، علوم سیستم، مهندسی، آمار و علوم اجتماعی و به عنوان مرجعی برای متخصصان و متخصصان نرم افزار در نظر گرفته شده است. دامنه وسیع کتاب مقدمه خوبی برای بسیاری از رویکردهای یادگیری ماشینی فراهم می کند، و همچنین منبع اطلاعات مفید کتابشناختی است.
The purpose of this book is to provide an up-to-date and systematical introduction to the principles and algorithms of machine learning. The definition of learning is broad enough to include most tasks that we commonly call “learning” tasks, as we use the word in daily life. It is also broad enough to encompass computers that improve from experience in quite straightforward ways. The book will be of interest to industrial engineers and scientists as well as academics who wish to pursue machine learning. The book is intended for both graduate and postgraduate students in fields such as computer science, cybernetics, system sciences, engineering, statistics, and social sciences, and as a reference for software professionals and practitioners. The wide scope of the book provides a good introduction to many approaches of machine learning, and it is also the source of useful bibliographical information.