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: 1
نویسندگان: László Györfi (eds.)
سری: International Centre for Mechanical Sciences 434
ISBN (شابک) : 9783211836880, 9783709125687
ناشر: Springer-Verlag Wien
سال نشر: 2002
تعداد صفحات: 344
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 24 مگابایت
کلمات کلیدی مربوط به کتاب اصول یادگیری غیر پارامتری: پردازش سیگنال، تصویر و گفتار، احتمال و آمار در علوم کامپیوتر، تشخیص الگو، نظریه و روش های آماری
در صورت تبدیل فایل کتاب Principles of Nonparametric 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 اصول یادگیری غیر پارامتری 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 کتاب تجزیه و تحلیل عمیق سیستماتیک یادگیری ناپارامتریک را ارائه می دهد. این محدودیتهای نظری و الگوریتمها و تخمینهای بهینه مجانبی، مانند تشخیص الگو، تخمین رگرسیون ناپارامتری، پیشبینی جهانی، کمیسازی برداری، تخمین توزیع و چگالی و برنامهریزی ژنتیک را پوشش میدهد. این کتاب عمدتاً برای فارغ التحصیلان رشته های مهندسی، ریاضیات، علوم کامپیوتر و محققان دانشگاه ها و مؤسسات تحقیقاتی است.
The book provides systematic in-depth analysis of nonparametric learning. It covers the theoretical limits and the asymptotical optimal algorithms and estimates, such as pattern recognition, nonparametric regression estimation, universal prediction, vector quantization, distribution and density estimation and genetic programming. The book is mainly addressed to postgraduates in engineering, mathematics, computer science, and researchers in universities and research institutions.
Front Matter....Pages N2-v
Pattern Classification and Learning Theory....Pages 1-56
Nonparametric Regression Estimation....Pages 57-112
Universal Prediction....Pages 113-162
Learning-Theoretic Methods in Vector Quantization....Pages 163-210
Distribution and Density Estimation....Pages 211-270
Genetic Programming Applied to Model Identification....Pages 271-335