توضیحات
A new edition of a graduate-level machine learning textbook that focuses on the analysis and theory of algorithms.
This book is a general introduction to machine learning that can serve as a textbook for graduate students and a reference for researchers. It covers fundamental modern topics in machine learning while providing the theoretical basis and conceptual tools needed for the discussion and justification of algorithms. It also describes several key aspects of the application of these algorithms. The authors aim to present novel theoretical tools and concepts while giving concise proofs even for relatively advanced topics.
Foundations of Machine Learningis unique in its focus on the analysis and theory of algorithms. The first four chapters lay the theoretical foundation for what follows; subsequent chapters are mostly self-contained. Topics covered include the Probably Approximately Correct (PAC) learning framework; generalization bounds based on Rademacher complexity and VC-dimension; Support Vector Machines (SVMs); kernel methods; boosting; on-line learning; multi-class classification; ranking; regression; algorithmic stability; dimensionality reduction; learning automata and languages; and reinforcement learning. Each chapter ends with a set of exercises. Appendixes provide additional material including concise probability review.
This second edition offers three new chapters, on model selection, maximum entropy models, and conditional entropy models. New material in the appendixes includes a major section on Fenchel duality, expanded coverage of concentration inequalities, and an entirely new entry on information theory. More than half of the exercises are new to this edition.
————————————————————–
ترجمه ماشینی :
ویرایش جدیدی از کتاب درسی یادگیری ماشین در سطح فارغ التحصیلی که بر تجزیه و تحلیل و تئوری الگوریتم ها تمرکز دارد.
این کتاب مقدمه ای کلی برای یادگیری ماشینی است که می تواند به عنوان یک کتاب عمل کند. کتاب درسی برای دانشجویان تحصیلات تکمیلی و مرجعی برای محققان. این در حالی که مبنای نظری و ابزارهای مفهومی مورد نیاز برای بحث و توجیه الگوریتمها را فراهم میکند، موضوعات اساسی مدرن در یادگیری ماشین را پوشش میدهد. همچنین چندین جنبه کلیدی کاربرد این الگوریتم ها را تشریح می کند. هدف نویسندگان ارائه ابزارها و مفاهیم نظری جدید در عین ارائه دلایل مختصر حتی برای موضوعات نسبتاً پیشرفته است. الگوریتم ها چهار فصل اول شالوده نظری را برای آنچه در ادامه میآید ایجاد میکند. فصلهای بعدی عمدتاً مستقل هستند. موضوعات تحت پوشش عبارتند از چارچوب یادگیری احتمالاً تقریباً صحیح (PAC). مرزهای تعمیم بر اساس پیچیدگی Rademacher و ابعاد VC. ماشینهای بردار پشتیبانی (SVM)؛ روش های هسته؛ افزایش؛ یادگیری آنلاین؛ طبقه بندی چند طبقه؛ رتبه بندی؛ پسرفت؛ پایداری الگوریتمی؛ کاهش ابعاد؛ یادگیری خودکار و زبان؛ و یادگیری تقویتی هر فصل با مجموعه ای از تمرین ها به پایان می رسد. ضمیمه ها مطالب اضافی از جمله بررسی احتمالات مختصر را ارائه می دهند.
این ویرایش دوم سه فصل جدید را در مورد انتخاب مدل، مدل های حداکثر آنتروپی و مدل های آنتروپی شرطی ارائه می دهد. مطالب جدید در ضمیمه ها شامل بخش عمده ای در مورد دوگانگی فنچل، پوشش گسترده نابرابری های تمرکز، و یک مدخل کاملا جدید در نظریه اطلاعات است. بیش از نیمی از تمرینات در این نسخه جدید هستند.
tag : دانلود کتاب مبانی یادگیری ماشینی , Download مبانی یادگیری ماشینی , دانلود مبانی یادگیری ماشینی , Download Foundations of Machine Learning Book , مبانی یادگیری ماشینی دانلود , buy مبانی یادگیری ماشینی , خرید کتاب مبانی یادگیری ماشینی , دانلود کتاب Foundations of Machine Learning , کتاب Foundations of Machine Learning , دانلود Foundations of Machine Learning , خرید Foundations of Machine Learning , خرید کتاب Foundations of Machine Learning ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.