دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Probabilistic Numerics: Computation as Machine Learning
دانلود کتاب اعداد احتمالی: محاسبات به عنوان یادگیری ماشینی
مشخصات کتاب
Probabilistic Numerics: Computation as Machine Learning
ویرایش: [1 ed.] نویسندگان: Philipp Hennig, Michael A. Osborne, Hans P. Kersting سری: ISBN (شابک) : 1107163447, 9781107163447 ناشر: Cambridge University Press سال نشر: 2022 تعداد صفحات: 410 [411] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 Mb
قیمت کتاب (تومان) : 42,000
در صورت تبدیل فایل کتاب Probabilistic Numerics: Computation as 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 اعداد احتمالی: محاسبات به عنوان یادگیری ماشینی 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 اعداد احتمالی: محاسبات به عنوان یادگیری ماشینی
محاسبات عددی احتمالی ارتباط بین یادگیری ماشین و ریاضیات کاربردی را رسمیت می بخشد. الگوریتم های عددی مقادیر غیرقابل حل را از مقادیر قابل محاسبه تقریبی می کنند. آنها انتگرال ها را از ارزیابی های انتگرال یا مسیر یک سیستم دینامیکی توصیف شده توسط معادلات دیفرانسیل از ارزیابی های میدان برداری تخمین می زنند. به عبارت دیگر، آنها کمیت نهفته را از داده ها استنتاج می کنند. این کتاب نشان می‌دهد که بنابراین به طور رسمی می‌توان روتین‌های محاسباتی را به عنوان ماشین‌های یادگیری در نظر گرفت و از مفهوم استنتاج بیزی برای ساخت الگوریتم‌های انعطاف‌پذیر، کارآمد یا سفارشی‌تر برای محاسبات استفاده کرد. این متن برای دانشجویان کارشناسی ارشد و دکترا، و همچنین محققان تحصیلات تکمیلی در هوش مصنوعی، علوم کامپیوتر، آمار و ریاضیات کاربردی ارائه می‌شود. مطالب پس‌زمینه گسترده همراه با تعداد زیادی شکل، مثال‌های کار شده و تمرین‌ها (با راه‌حل‌ها) برای توسعه شهود ارائه شده است.
توضیحاتی درمورد کتاب به خارجی
Probabilistic numerical computation formalises the connection between machine learning and applied mathematics. Numerical algorithms approximate intractable quantities from computable ones. They estimate integrals from evaluations of the integrand, or the path of a dynamical system described by differential equations from evaluations of the vector field. In other words, they infer a latent quantity from data. This book shows that it is thus formally possible to think of computational routines as learning machines, and to use the notion of Bayesian inference to build more flexible, efficient, or customised algorithms for computation. The text caters for Masters' and PhD students, as well as postgraduate researchers in artificial intelligence, computer science, statistics, and applied mathematics. Extensive background material is provided along with a wealth of figures, worked examples, and exercises (with solutions) to develop intuition.
