دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [2 ed.]
نویسندگان: Vincent Granville
سری:
ISBN (شابک) : 057838406X, 9780578384061
ناشر: Machine Learning Techniques
سال نشر: 2022
تعداد صفحات: 96
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Stochastic Processes and Simulations – A Machine Learning Perspective 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 فرآیندها و شبیه سازی های تصادفی - دیدگاه 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.
برای متخصصان یادگیری ماشین، مهندسان نرم افزار و سایر متخصصان تحلیلی که علاقه مند به گسترش مجموعه ابزار خود و تسلط بر هنر هستند، نوشته شده است. تکنیکهای پیشرفتهای را که به زبان انگلیسی ساده توضیح داده شده است، کشف کنید، که برای بسیاری از مشکلات مدرن، بهویژه مربوط به فرآیندهای فضایی و تشخیص الگو قابل استفاده است. این کتاب درسی شامل تکنیک های تجسم متعدد (به عنوان مثال، انیمیشن های داده با استفاده از کتابخانه های ویدئویی در R)، یک آزمون واقعی استقلال، تصویر ساده از مناطق اطمینان دوگانه (بصری تر از نسخه کلاسیک)، تخمین حداقل کنتراست (یک تکنیک تخمین عمومی ساده که شامل حداکثر احتمال)، تکنیک های برازش مدل، و موارد دیگر. دامنه مواد بسیار فراتر از فرآیندهای تصادفی است.
Written for machine learning practitioners, software engineers and other analytic professionals interested in expanding their toolset and mastering the art. Discover state-of-the-art techniques explained in simple English, applicable to many modern problems, especially related to spatial processes and pattern recognition. This textbook includes numerous visualization techniques (for instance, data animations using video libraries in R), a true test of independence, simple illustration of dual confidence regions (more intuitive than the classic version), minimum contrast estimation (a simple generic estimation technique encompassing maximum likelihood), model fitting techniques, and much more. The scope of the material extends far beyond stochastic processes.