دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Optimization for Machine Learning
دانلود کتاب بهینه سازی برای یادگیری ماشین
مشخصات کتاب
Optimization for Machine Learning
ویرایش: نویسندگان: Suvrit Sra, Sebastian Nowozin, Stephen J. Wright سری: Neural Information Processing series ISBN (شابک) : 026201646X, 9780262016469 ناشر: The MIT Press سال نشر: 2011 تعداد صفحات: 509 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 38,000
در صورت تبدیل فایل کتاب Optimization for 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 بهینه سازی برای 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.
توضیحاتی در مورد کتاب بهینه سازی برای یادگیری ماشین
تداخل بین بهینه سازی و یادگیری ماشینی یکی از مهم ترین پیشرفت ها در علم محاسبات مدرن است. فرمول‌بندی‌ها و روش‌های بهینه‌سازی در طراحی الگوریتم‌هایی برای استخراج دانش ضروری از حجم عظیمی از داده‌ها حیاتی هستند. با این حال، یادگیری ماشین صرفاً مصرف‌کننده فناوری بهینه‌سازی نیست، بلکه زمینه‌ای است که به سرعت در حال تکامل است که خود ایده‌های بهینه‌سازی جدیدی را ایجاد می‌کند. این کتاب وضعیت هنر تعامل بین بهینه‌سازی و یادگیری ماشینی را به گونه‌ای به تصویر می‌کشد که برای محققان در هر دو زمینه قابل دسترسی است. رویکردهای بهینه‌سازی به دلیل کاربرد گسترده و ویژگی‌های نظری جذابشان در یادگیری ماشینی برجسته شده‌اند. افزایش پیچیدگی، اندازه و تنوع مدل‌های یادگیری ماشین امروزی نیاز به ارزیابی مجدد مفروضات موجود دارد. این کتاب فرآیند ارزیابی مجدد را آغاز می کند. این تجدید حیات در زمینه‌های جدید چارچوب‌های تثبیت‌شده مانند روش‌های مرتبه اول، تقریب‌های تصادفی، آرامش‌های محدب، روش‌های نقطه داخلی، و روش‌های پروگزیمال را توصیف می‌کند. همچنین به مضامین جدیدتر مانند بهینه‌سازی منظم، بهینه‌سازی قوی، روش‌های گرادیان و زیرگرید، تکنیک‌های تقسیم، و روش‌های مرتبه دوم توجه می‌کند. بسیاری از این تکنیک ها از زمینه های دیگر، از جمله تحقیق در عملیات، علوم کامپیوتر نظری، و زیرشاخه های بهینه سازی الهام می گیرند. این کتاب لقاح متقابل مداوم بین جامعه یادگیری ماشین و این زمینه‌های دیگر و در جامعه بهینه‌سازی گسترده‌تر را غنی می‌کند.
توضیحاتی درمورد کتاب به خارجی
The interplay between optimization and machine learning is one of the most important developments in modern computational science. Optimization formulations and methods are proving to be vital in designing algorithms to extract essential knowledge from huge volumes of data. Machine learning, however, is not simply a consumer of optimization technology but a rapidly evolving field that is itself generating new optimization ideas. This book captures the state of the art of the interaction between optimization and machine learning in a way that is accessible to researchers in both fields.Optimization approaches have enjoyed prominence in machine learning because of their wide applicability and attractive theoretical properties. The increasing complexity, size, and variety of today's machine learning models call for the reassessment of existing assumptions. This book starts the process of reassessment. It describes the resurgence in novel contexts of established frameworks such as first-order methods, stochastic approximations, convex relaxations, interior-point methods, and proximal methods. It also devotes attention to newer themes such as regularized optimization, robust optimization, gradient and subgradient methods, splitting techniques, and second-order methods. Many of these techniques draw inspiration from other fields, including operations research, theoretical computer science, and subfields of optimization. The book will enrich the ongoing cross-fertilization between the machine learning community and these other fields, and within the broader optimization community.
