مشخصات کتاب

Regularization, Optimization, Kernels, and Support Vector Machines

ویرایش:  
نویسندگان: Suykens. Johan A.K.  
سری: Chapman & Hall/CRC Machine Learning & Pattern Recognition 
ISBN (شابک) : 9781482241396, 9781482241402 
ناشر: CRC Press 
سال نشر: 2014 
تعداد صفحات: 522 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

در صورت تبدیل فایل کتاب Regularization, Optimization, Kernels, and Support Vector Machines 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 منظم‌سازی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبانی 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 منظم‌سازی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبانی

منظم‌سازی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبان تصویری از وضعیت فعلی هنر یادگیری ماشینی در مقیاس بزرگ ارائه می‌دهد، که یک منبع چند رشته‌ای واحد برای آخرین تحقیقات و پیشرفت‌ها در منظم‌سازی، پراکندگی، سنجش فشرده، محدب و بزرگ ارائه می‌کند. بهینه سازی مقیاس، روش های هسته، و ماشین های بردار پشتیبانی. این مرجع جامع شامل 21 فصل است که توسط محققان برجسته در یادگیری ماشین نوشته شده است: رابطه بین ماشین‌های بردار پشتیبان (SVM) و کمند را پوشش می‌دهد. در مورد SVM‌های چند لایه بحث می‌کند. روش‌های منظم‌سازی مبتنی بر یادگیری تک‌وظیفه‌ای روش‌های منظم‌شده برای یادگیری فرهنگ لغت و انتخاب نمونه کارها را در نظر می‌گیرد. تطبیق دامنه و پردازش تصویر با الگوریتم‌های مقیاس بزرگ از جمله روش‌های گرادیان مشروط، تکنیک‌های پروگزیمال (غیر محدب)، و منظم‌سازی گرادیان نزولی تصادفی، بهینه‌سازی، هسته‌ها و ماشین‌های بردار پشتیبان برای محققان در یادگیری ماشین، تشخیص الگو، داده‌ها ایده‌آل است. استخراج، پردازش سیگنال، یادگیری آماری و زمینه های مرتبط.

توضیحاتی درمورد کتاب به خارجی

Regularization, Optimization, Kernels, and Support Vector Machines offers a snapshot of the current state of the art of large-scale machine learning, providing a single multidisciplinary source for the latest research and advances in regularization, sparsity, compressed sensing, convex and large-scale optimization, kernel methods, and support vector machines. Consisting of 21 chapters authored by leading researchers in machine learning, this comprehensive reference: Covers the relationship between support vector machines (SVMs) and the Lasso Discusses multi-layer SVMs Explores nonparametric feature selection, basis pursuit methods, and robust compressive sensing Describes graph-based regularization methods for single- and multi-task learning Considers regularized methods for dictionary learning and portfolio selection Addresses non-negative matrix factorization Examines low-rank matrix and tensor-based models Presents advanced kernel methods for batch and online machine learning, system identification, domain adaptation, and image processing Tackles large-scale algorithms including conditional gradient methods, (non-convex) proximal techniques, and stochastic gradient descent Regularization, Optimization, Kernels, and Support Vector Machines is ideal for researchers in machine learning, pattern recognition, data mining, signal processing, statistical learning, and related areas.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Coding for Beginners

دانلود کتاب Final Cut Express HD 3.5 Editing Workshop

دانلود کتاب The private life of the rabbit : an account of the life history and social behavior of the wild rabbit

دانلود کتاب Oregon: off the beaten path: a guide to unique places

دانلود کتاب The Arab Nahdah: The Making of the Intellectual and Humanist Movement