ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Tutorial on support vector regression

دانلود کتاب آموزش رگرسیون بردار پشتیبانی

Tutorial on support vector regression

مشخصات کتاب

Tutorial on support vector regression

دسته بندی: کامپیوتر
ویرایش:  
نویسندگان: ,   
سری:  
 
ناشر:  
سال نشر: 2003 
تعداد صفحات: 24 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 365 کیلوبایت

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Tutorial on support vector regression 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 آموزش رگرسیون 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 آموزش رگرسیون بردار پشتیبانی

در این آموزش ما یک نمای کلی از ایده های اساسی زیربنای ماشین های بردار پشتیبان (SV) برای تخمین عملکرد ارائه می دهیم. علاوه بر این، ما خلاصه‌ای از الگوریتم‌های مورد استفاده در حال حاضر برای آموزش ماشین‌های SV را شامل می‌کنیم که هم بخش برنامه‌نویسی درجه دوم (یا محدب) و هم روش‌های پیشرفته برای مقابله با مجموعه‌های داده بزرگ را پوشش می‌دهد. در نهایت، برخی از اصلاحات و توسعه‌هایی را که در الگوریتم استاندارد SV اعمال شده‌اند، ذکر می‌کنیم و جنبه منظم‌سازی را از دیدگاه SV مورد بحث قرار می‌دهیم.


توضیحاتی درمورد کتاب به خارجی

In this tutorial we give an overview of the basic ideas underlying Support Vector (SV) machines for function estimation. Furthermore, we include a summary of currently used algorithms for training SV machines, covering both the quadratic (or convex) programming part and advanced methods for dealing with large datasets. Finally, we mention some modifications and extensions that have been applied to the standard SV algorithm, and discuss the aspect of regularization from a SV perspective.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی