دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Probabilistic Machine Learning: An Introduction
دانلود کتاب یادگیری ماشین احتمالی: مقدمه
مشخصات کتاب
Probabilistic Machine Learning: An Introduction
ویرایش: [1 ed.]
نویسندگان: Kevin P. Murphy
سری: Adaptive Computation and Machine Learning
ISBN (شابک) : 0262046822, 9780262046824
ناشر: The MIT Press
سال نشر: 2022
تعداد صفحات: 854
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 50 Mb
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Probabilistic Machine Learning: An Introduction 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 یادگیری ماشین احتمالی: مقدمه 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 یادگیری ماشین احتمالی: مقدمه
مقدمه ای دقیق و به روز برای یادگیری ماشین، ارائه شده از طریق لنز یکپارچه مدل سازی احتمالی و نظریه تصمیم بیزی. این کتاب مقدمه ای دقیق و به روز بر یادگیری ماشین (از جمله یادگیری عمیق) از طریق لنز یکپارچه مدل سازی احتمالی و نظریه تصمیم بیزی ارائه می دهد. این کتاب پیشینه ریاضی (از جمله جبر خطی و بهینه‌سازی)، یادگیری با نظارت اولیه (شامل رگرسیون خطی و لجستیک و شبکه‌های عصبی عمیق)، و همچنین موضوعات پیشرفته‌تر (از جمله یادگیری انتقالی و یادگیری بدون نظارت) را پوشش می‌دهد. تمرین‌های پایان فصل به دانش‌آموزان اجازه می‌دهد تا آنچه را که آموخته‌اند به کار ببرند و یک پیوست نمادگذاری را پوشش می‌دهد. یادگیری ماشین احتمالی از کتاب 2012 نویسنده با نام یادگیری ماشینی: چشم انداز احتمالی شکل گرفت. این کتاب بیش از یک به‌روزرسانی ساده، یک کتاب کاملاً جدید است که منعکس‌کننده تحولات چشمگیر در این زمینه از سال 2012، به ویژه یادگیری عمیق است. علاوه بر این، کتاب جدید با کد آنلاین پایتون، با استفاده از کتابخانه‌هایی مانند scikit-learn، JAX، PyTorch و Tensorflow همراه است که می‌تواند برای بازتولید تقریباً همه شکل‌ها استفاده شود. این کد را می توان در داخل یک مرورگر وب با استفاده از نوت بوک های مبتنی بر ابر اجرا کرد و یک مکمل عملی برای مباحث نظری مورد بحث در کتاب ارائه می دهد. این متن مقدماتی با دنباله‌ای دنبال می‌شود که موضوعات پیشرفته‌تری را با همان رویکرد احتمالی پوشش می‌دهد.
توضیحاتی درمورد کتاب به خارجی
A detailed and up-to-date introduction to machine learning, presented through the unifying lens of probabilistic modeling and Bayesian decision theory. This book offers a detailed and up-to-date introduction to machine learning (including deep learning) through the unifying lens of probabilistic modeling and Bayesian decision theory. The book covers mathematical background (including linear algebra and optimization), basic supervised learning (including linear and logistic regression and deep neural networks), as well as more advanced topics (including transfer learning and unsupervised learning). End-of-chapter exercises allow students to apply what they have learned, and an appendix covers notation. Probabilistic Machine Learning grew out of the author’s 2012 book, Machine Learning: A Probabilistic Perspective. More than just a simple update, this is a completely new book that reflects the dramatic developments in the field since 2012, most notably deep learning. In addition, the new book is accompanied by online Python code, using libraries such as scikit-learn, JAX, PyTorch, and Tensorflow, which can be used to reproduce nearly all the figures; this code can be run inside a web browser using cloud-based notebooks, and provides a practical complement to the theoretical topics discussed in the book. This introductory text will be followed by a sequel that covers more advanced topics, taking the same probabilistic approach.
نظرات کاربران
کتاب های تصادفی
دانلود کتاب According to the Scriptures;: The sub-structure of New Testament theology (Stone lectures)
دانلود کتاب ASP.NET Core: Cloud-ready, Enterprise Web Application Development
دانلود کتاب Poets of the Italian diaspora : a bilingual anthology
