دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Regularized System Identification Learning Dynamic Models from Data
دانلود کتاب مدل های دینامیکی یادگیری شناسایی سیستم منظم از داده ها
مشخصات کتاب
Regularized System Identification Learning Dynamic Models from Data
ویرایش: [1 ed.]
نویسندگان: Gianluigi Pillonetto
سری: Communications and Control Engineering Series
ISBN (شابک) : 9783030958602, 3030958604
ناشر: Springer International Publishing AG
سال نشر: 2022
تعداد صفحات: [394]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Regularized System Identification Learning Dynamic Models from Data 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 مدل های دینامیکی یادگیری شناسایی سیستم منظم از داده ها 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 مدل های دینامیکی یادگیری شناسایی سیستم منظم از داده ها
این کتاب دسترسی آزاد، درمان جامعی از پیشرفت‌های اخیر در شناسایی مبتنی بر هسته ارائه می‌کند که برای هر کسی که درگیر یادگیری سیستم‌های پویا از داده‌ها است، جالب است. خواننده گام به گام به درک پارادایم جدیدی هدایت می‌شود که از قدرت یادگیری ماشینی استفاده می‌کند، بدون اینکه از اصول نظری سیستمی شناسایی جعبه سیاه چشم‌پوشی کند. فرمول‌بندی مجدد مسئله شناسایی توسط نویسندگان در پرتو نظریه قاعده‌مندی نه تنها بینش جدیدی در مورد سؤالات کلاسیک ارائه می‌کند، بلکه راه را برای الگوریتم‌های جدید و قدرتمند برای انواع مسائل خطی و غیرخطی هموار می‌کند. روش‌های رگرسیون مانند شبکه‌های منظم‌سازی و ماشین‌های بردار پشتیبان اساس تکنیک‌هایی هستند که مسئله تخمین تابع را به تخمین مدل‌های پویا گسترش می‌دهند. مثال‌های بسیاری، همچنین از کاربردهای دنیای واقعی، مزایای نسبی رویکرد ناپارامتریک جدید را با توجه به روش‌های کلاسیک خطای پیش‌بینی پارامتریک نشان می‌دهند. چالش‌هایی که به آن می‌پردازد در تقاطع چندین رشته قرار دارد، بنابراین شناسایی منظم سیستم مورد علاقه بسیاری از محققان و متخصصان در زمینه‌های سیستم‌های کنترل، یادگیری ماشین، آمار و علم داده خواهد بود. این یک کتاب دسترسی آزاد است.
توضیحاتی درمورد کتاب به خارجی
This open access book provides a comprehensive treatment of recent developments in kernel-based identification that are of interest to anyone engaged in learning dynamic systems from data. The reader is led step by step into understanding of a novel paradigm that leverages the power of machine learning without losing sight of the system-theoretical principles of black-box identification. The authors’ reformulation of the identification problem in the light of regularization theory not only offers new insight on classical questions, but paves the way to new and powerful algorithms for a variety of linear and nonlinear problems. Regression methods such as regularization networks and support vector machines are the basis of techniques that extend the function-estimation problem to the estimation of dynamic models. Many examples, also from real-world applications, illustrate the comparative advantages of the new nonparametric approach with respect to classic parametric prediction error methods. The challenges it addresses lie at the intersection of several disciplines so Regularized System Identification will be of interest to a variety of researchers and practitioners in the areas of control systems, machine learning, statistics, and data science. This is an open access book.
