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
دسته بندی: آموزشی ویرایش: نویسندگان: Nicolo Cesa-Bianchi سری: ISBN (شابک) : 0792376498 ناشر: Cambridge University Press سال نشر: 2006 تعداد صفحات: 407 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 Prediction, Learning, and Games 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 پیش بینی، یادگیری و بازی 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 متن و مرجع جدید مهم برای محققان و دانشجویان در یادگیری ماشین، نظریه بازی، آمار و نظریه اطلاعات، اولین درمان جامع مشکل پیشبینی توالیهای فردی را ارائه میدهد. برخلاف رویکردهای آماری استاندارد برای پیشبینی، پیشبینی توالیهای فردی هیچ فرض احتمالی را بر مکانیسم تولید داده تحمیل نمیکند. با این حال، الگوریتمهای پیشبینی را میتوان ساخت که برای همه دنبالههای ممکن به خوبی کار کنند، به این معنا که عملکرد آنها همیشه به خوبی بهترین استراتژی پیشبینی در یک کلاس مرجع معین است. موضوع اصلی مدل پیشبینی با استفاده از توصیههای متخصص است، چارچوبی کلی که در آن بسیاری از مسائل مرتبط میتوانند مطرح و بحث شوند. بازیهای مکرر، فشردهسازی دادههای تطبیقی، سرمایهگذاری متوالی در بازار سهام، تجزیه و تحلیل الگوی متوالی و چندین مشکل دیگر بهعنوان نمونههایی از چارچوب متخصصان در نظر گرفته میشوند و از یک دیدگاه غیر تصادفی رایج تحلیل میشوند که اغلب ارتباطات جدید و جذاب را نشان میدهد. روشهای پیشبینی قدیمی و جدید به روشی دقیق ریاضی توصیف شدهاند تا محدودیتها و امکانات نظری آنها مشخص شود.
This important new text and reference for researchers and students in machine learning, game theory, statistics and information theory offers the first comprehensive treatment of the problem of predicting individual sequences. Unlike standard statistical approaches to forecasting, prediction of individual sequences does not impose any probabilistic assumption on the data-generating mechanism. Yet, prediction algorithms can be constructed that work well for all possible sequences, in the sense that their performance is always nearly as good as the best forecasting strategy in a given reference class. The central theme is the model of prediction using expert advice, a general framework within which many related problems can be cast and discussed. Repeated game playing, adaptive data compression, sequential investment in the stock market, sequential pattern analysis, and several other problems are viewed as instances of the experts' framework and analyzed from a common nonstochastic standpoint that often reveals new and intriguing connections. Old and new forecasting methods are described in a mathematically precise way in order to characterize their theoretical limitations and possibilities.