دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Random Matrix Methods for Machine Learning
دانلود کتاب روش‌های ماتریس تصادفی برای یادگیری ماشین
مشخصات کتاب
Random Matrix Methods for Machine Learning
ویرایش: 1
نویسندگان: Romain Couillet. Zhenyu Liao
سری:
ISBN (شابک) : 1009123238, 9781009123235
ناشر: Cambridge University Press
سال نشر: 2022
تعداد صفحات: 411
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Random Matrix Methods 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 روش‌های ماتریس تصادفی 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 روش‌های ماتریس تصادفی برای یادگیری ماشین
این کتاب یک نظریه یکپارچه از ماتریس‌های تصادفی را برای کاربردها در یادگیری ماشین ارائه می‌کند، که چشم‌انداز داده‌ای با ابعاد بزرگ را ارائه می‌دهد که از پدیده‌های تمرکز و جهان‌شمولی بهره‌برداری می‌کند. این امکان درک دقیق و بهبودهای احتمالی مکانیسم‌های اصلی موجود در الگوریتم‌های یادگیری ماشین در دنیای واقعی را فراهم می‌کند. این کتاب با مقدمه‌ای کامل بر مبانی نظری ماتریس‌های تصادفی آغاز می‌شود، که به عنوان پشتیبان برای طیف وسیعی از کاربردها از SVMها، از طریق یادگیری نیمه نظارتی، خوشه‌بندی طیفی بدون نظارت، و روش‌های نمودار، تا شبکه‌های عصبی و یادگیری عمیق عمل می‌کند. . برای هر کاربرد، نویسندگان شهودهای کوچک در مقابل ابعاد بزرگ مسئله را مورد بحث قرار می‌دهند و به دنبال آن یک تحلیل ماتریس تصادفی سیستماتیک از عملکرد حاصل و بهبودهای احتمالی انجام می‌شود. همه مفاهیم، برنامه‌ها و تغییرات به صورت عددی بر روی داده‌های مصنوعی و همچنین دنیای واقعی، با کد MATLAB و Python ارائه شده در وبسایت همراه، نشان داده شده‌اند.
توضیحاتی درمورد کتاب به خارجی
This book presents a unified theory of random matrices for applications in machine learning, offering a large-dimensional data vision that exploits concentration and universality phenomena. This enables a precise understanding, and possible improvements, of the core mechanisms at play in real-world machine learning algorithms. The book opens with a thorough introduction to the theoretical basics of random matrices, which serves as a support to a wide scope of applications ranging from SVMs, through semi-supervised learning, unsupervised spectral clustering, and graph methods, to neural networks and deep learning. For each application, the authors discuss small- versus large-dimensional intuitions of the problem, followed by a systematic random matrix analysis of the resulting performance and possible improvements. All concepts, applications, and variations are illustrated numerically on synthetic as well as real-world data, with MATLAB and Python code provided on the accompanying website.
فهرست مطالب
0.0 9781009123235 01.0_pp_i_iv_Frontmatter 02.0_pp_v_vi_Contents 03.0_pp_vii_viii_Preface 04.0_pp_1_34_Introduction 05.0_pp_35_154_Random_Matrix_Theory 06.0_pp_155_206_Statistical_Inference_in_Linear_Models 07.0_pp_207_276_Kernel_Methods 08.0_pp_277_312_Large_Neural_Networks 09.0_pp_313_336_Large-Dimensional_Convex_Optimization 10.0_pp_337_363_Community_Detection_on_Graphs 11.0_pp_364_377_Community_Detection_on_Graphs 12.0_pp_378_400_Bibliography 13.0_pp_401_402_Index
