توضیحات
Machine Learning: A Bayesian and Optimization Perspective, 2nd edition, gives a unified perspective on machine learning by covering both pillars of supervised learning, namely regression and classification. The book starts with the basics, including mean square, least squares and maximum likelihood methods, ridge regression, Bayesian decision theory classification, logistic regression, and decision trees. It then progresses to more recent techniques, covering sparse modelling methods, learning in reproducing kernel Hilbert spaces and support vector machines, Bayesian inference with a focus on the EM algorithm and its approximate inference variational versions, Monte Carlo methods, probabilistic graphical models focusing on Bayesian networks, hidden Markov models and particle filtering. Dimensionality reduction and latent variables modelling are also considered in depth.
This palette of techniques concludes with an extended chapter on neural networks and deep learning architectures. The book also covers the fundamentals of statistical parameter estimation, Wiener and Kalman filtering, convexity and convex optimization, including a chapter on stochastic approximation and the gradient descent family of algorithms, presenting related online learning techniques as well as concepts and algorithmic versions for distributed optimization.
Focusing on the physical reasoning behind the mathematics, without sacrificing rigor, all the various methods and techniques are explained in depth, supported by examples and problems, giving an invaluable resource to the student and researcher for understanding and applying machine learning concepts. Most of the chapters include typical case studies and computer exercises, both in MATLAB and Python.
The chapters are written to be as self-contained as possible, making the text suitable for different courses: pattern recognition, statistical/adaptive signal processing, statistical/Bayesian learning, as well as courses on sparse modeling, deep learning, and probabilistic graphical models.
New to this edition:
- Complete re-write of the chapter on Neural Networks and Deep Learning to reflect the latest advances since the 1st edition. The chapter, starting from the basic perceptron and feed-forward neural networks concepts, now presents an in depth treatment of deep networks, including recent optimization algorithms, batch normalization, regularization techniques such as the dropout method, convolutional neural networks, recurrent neural networks, attention mechanisms, adversarial examples and training, capsule networks and generative architectures, such as restricted Boltzman machines (RBMs), variational autoencoders and generative adversarial networks (GANs).
- Expanded treatment of Bayesian learning to include nonparametric Bayesian methods, with a focus on the Chinese restaurant and the Indian buffet processes.
————————————————————–
ترجمه ماشینی :
Machine Learning: A Bayesian and Optimization Perspective، نسخه 2دوم، یک نسخه یکپارچه ارائه می دهد. دیدگاه یادگیری ماشین با پوشش هر دو ستون یادگیری تحت نظارت، یعنی رگرسیون و طبقه بندی. کتاب با مبانی شروع می شود، از جمله روش های میانگین مربع، حداقل مربعات و حداکثر احتمال، رگرسیون خط الراس، طبقه بندی نظریه تصمیم بیزی، رگرسیون لجستیک و درختان تصمیم. سپس به تکنیکهای جدیدتر، پوشش روشهای مدلسازی پراکنده، یادگیری بازتولید فضاهای هیلبرت هسته و ماشینهای بردار پشتیبان، استنتاج بیزی با تمرکز بر الگوریتم EM و نسخههای متغیر استنتاج تقریبی آن، روشهای مونت کارلو، مدلهای گرافیکی احتمالی با تمرکز بر بیزی پیشرفت میکند. شبکه ها، مدل های پنهان مارکوف و فیلتر ذرات. کاهش ابعاد و مدل سازی متغیرهای پنهان نیز به طور عمیق در نظر گرفته شده است.
این پالت تکنیکها با فصل گستردهای درباره شبکههای عصبی و معماریهای یادگیری عمیق به پایان میرسد. این کتاب همچنین مبانی تخمین پارامترهای آماری، فیلتر وینر و کالمن، محدب و بهینهسازی محدب، از جمله فصلی در مورد تقریب تصادفی و خانواده الگوریتمهای نزولی گرادیان، ارائه تکنیکهای یادگیری آنلاین مرتبط و همچنین مفاهیم و نسخههای الگوریتمی برای بهینهسازی توزیعی را پوشش میدهد. .
با تمرکز بر استدلال فیزیکی پشت ریاضیات، بدون به خطر انداختن دقت، تمام روشها و تکنیکهای مختلف به طور عمیق توضیح داده میشوند، با مثالها و مسائل پشتیبانی میشوند و منبع ارزشمندی را در اختیار شما قرار میدهند. دانشجو و محقق برای درک و بکارگیری مفاهیم یادگیری ماشینی. اکثر فصول شامل مطالعات موردی معمولی و تمرینهای کامپیوتری، هم در متلب و هم در پایتون است.
فصلها به گونهای نوشته شدهاند که تا حد امکان مستقل باشند، و متن را برای آن مناسب میسازد. دوره های مختلف: تشخیص الگو، پردازش سیگنال آماری/تطبیقی، یادگیری آماری/بیزی، و همچنین دوره های مدل سازی پراکنده، یادگیری عمیق و مدل های گرافیکی احتمالی.
جدید در این نسخه:
- بازنویسی کامل فصل مربوط به شبکه های عصبی و یادگیری عمیق منعکس کننده آخرین پیشرفت ها از نسخه 1 است. این فصل که از مفاهیم اولیه پرسپترون و شبکههای عصبی پیشخور شروع میشود، اکنون یک درمان عمیق از شبکههای عمیق، از جمله الگوریتمهای بهینهسازی اخیر، نرمالسازی دستهای، تکنیکهای منظمسازی مانند روش حذف، شبکههای عصبی کانولوشن، شبکههای عصبی مکرر را ارائه میکند. مکانیسمهای توجه، مثالها و آموزشهای متخاصم، شبکههای کپسولی و معماریهای مولد، مانند ماشینهای محدود شده بولتزمن (RBM)، رمزگذارهای خودکار متغیر و شبکههای متخاصم مولد (GAN).
- درمان گسترده یادگیری بیزی شامل روشهای بیزی ناپارامتریک، با تمرکز بر فرآیندهای رستوران چینی و بوفه هندی.
tag : دانلود کتاب یادگیری ماشینی: دیدگاه بیزی و بهینه سازی , Download یادگیری ماشینی: دیدگاه بیزی و بهینه سازی , دانلود یادگیری ماشینی: دیدگاه بیزی و بهینه سازی , Download Machine Learning: A Bayesian and Optimization Perspective Book , یادگیری ماشینی: دیدگاه بیزی و بهینه سازی دانلود , buy یادگیری ماشینی: دیدگاه بیزی و بهینه سازی , خرید کتاب یادگیری ماشینی: دیدگاه بیزی و بهینه سازی , دانلود کتاب Machine Learning: A Bayesian and Optimization Perspective , کتاب Machine Learning: A Bayesian and Optimization Perspective , دانلود Machine Learning: A Bayesian and Optimization Perspective , خرید Machine Learning: A Bayesian and Optimization Perspective , خرید کتاب Machine Learning: A Bayesian and Optimization Perspective ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.