توضیحات
The goal of machine learning is to program computers to use example data or past experience to solve a given problem. Many successful applications of machine learning exist already, including systems that analyze past sales data to predict customer behavior, optimize robot behavior so that a task can be completed using minimum resources, and extract knowledge from bioinformatics data. Introduction to Machine Learning is a comprehensive textbook on the subject, covering a broad array of topics not usually included in introductory machine learning texts. Subjects include supervised learning; Bayesian decision theory; parametric, semi-parametric, and nonparametric methods; multivariate analysis; hidden Markov models; reinforcement learning; kernel machines; graphical models; Bayesian estimation; and statistical testing.
Machine learning is rapidly becoming a skill that computer science students must master before graduation. The third edition of Introduction to Machine Learning reflects this shift, with added support for beginners, including selected solutions for exercises and additional example data sets (with code available online). Other substantial changes include discussions of outlier detection; ranking algorithms for perceptrons and support vector machines; matrix decomposition and spectral methods; distance estimation; new kernel algorithms; deep learning in multilayered perceptrons; and the nonparametric approach to Bayesian methods. All learning algorithms are explained so that students can easily move from the equations in the book to a computer program. The book can be used by both advanced undergraduates and graduate students. It will also be of interest to professionals who are concerned with the application of machine learning methods.
————————————————————–
ترجمه ماشینی :
هدف یادگیری ماشینی برنامهریزی رایانهها برای استفاده از دادههای نمونه یا تجربیات گذشته برای حل یک مشکل معین است. بسیاری از کاربردهای موفق یادگیری ماشین در حال حاضر وجود دارد، از جمله سیستمهایی که دادههای فروش گذشته را برای پیشبینی رفتار مشتری تجزیه و تحلیل میکنند، رفتار ربات را بهینه میکنند تا یک کار با حداقل منابع تکمیل شود، و دانش را از دادههای بیوانفورماتیک استخراج میکند. مقدمه ای بر یادگیری ماشینیg یک کتاب درسی جامع در مورد این موضوع است که مجموعه وسیعی از موضوعات را پوشش می دهد که معمولاً در متون یادگیری ماشین مقدماتی گنجانده نمی شوند. موضوعات شامل یادگیری تحت نظارت. نظریه تصمیم بیزی؛ روش های پارامتریک، نیمه پارامتریک و ناپارامتریک؛ تحلیل چند متغیره؛ مدل های پنهان مارکوف؛ یادگیری تقویتی؛ ماشین های هسته؛ مدل های گرافیکی; تخمین بیزی؛ و تست آماری.
یادگیری ماشینی به سرعت در حال تبدیل شدن به مهارتی است که دانشجویان علوم کامپیوتر باید قبل از فارغ التحصیلی به آن تسلط پیدا کنند. ویرایش سوم مقدمه ای بر یادگیری ماشین این تغییر را با پشتیبانی اضافه برای مبتدیان، از جمله راه حل های انتخاب شده برای تمرین ها و مجموعه داده های نمونه اضافی (با کد موجود به صورت آنلاین) منعکس می کند. سایر تغییرات اساسی شامل بحث در مورد تشخیص نقاط دورتر است. الگوریتم های رتبه بندی برای پرسپترون ها و ماشین های بردار پشتیبان. تجزیه ماتریس و روش های طیفی. تخمین فاصله؛ الگوریتم های هسته جدید؛ یادگیری عمیق در پرسپترون های چند لایه. و رویکرد ناپارامتریک به روش های بیزی. تمامی الگوریتم های یادگیری توضیح داده شده اند تا دانش آموزان بتوانند به راحتی از معادلات کتاب به یک برنامه کامپیوتری حرکت کنند. این کتاب هم برای دانشجویان پیشرفته و هم برای دانشجویان کارشناسی ارشد قابل استفاده است. همچنین برای حرفهایهایی که به کاربرد روشهای یادگیری ماشین اهمیت میدهند، جالب خواهد بود.
tag : دانلود کتاب مقدمه ای بر یادگیری ماشینی , Download مقدمه ای بر یادگیری ماشینی , دانلود مقدمه ای بر یادگیری ماشینی , Download Introduction to machine learning Book , مقدمه ای بر یادگیری ماشینی دانلود , buy مقدمه ای بر یادگیری ماشینی , خرید کتاب مقدمه ای بر یادگیری ماشینی , دانلود کتاب Introduction to machine learning , کتاب Introduction to machine learning , دانلود Introduction to machine learning , خرید Introduction to machine learning , خرید کتاب Introduction to machine learning ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.