توضیحات
Today’s Web-enabled deluge of electronic data calls for automated methods of data analysis. Machine learning provides these, developing methods that can automatically detect patterns in data and then use the uncovered patterns to predict future data. This textbook offers a comprehensive and self-contained introduction to the field of machine learning, based on a unified, probabilistic approach. The coverage combines breadth and depth, offering necessary background material on such topics as probability, optimization, and linear algebra as well as discussion of recent developments in the field, including conditional random fields, L1 regularization, and deep learning. The book is written in an informal, accessible style, complete with pseudo-code for the most important algorithms. All topics are copiously illustrated with color images and worked examples drawn from such application domains as biology, text processing, computer vision, and robotics. Rather than providing a cookbook of different heuristic methods, the book stresses a principled model-based approach, often using the language of graphical models to specify models in a concise and intuitive way. Almost all the models described have been implemented in a MATLAB software package — PMTK (probabilistic modeling toolkit) — that is freely available online. The book is suitable for upper-level undergraduates with an introductory-level college math background and beginning graduate students.
————————————————————–
ترجمه ماشینی :
سیل داده های الکترونیکی امروزی که تحت وب فعال شده است، روش های خودکار تجزیه و تحلیل داده ها را می طلبد. یادگیری ماشینی این روشها را فراهم میکند و روشهایی را توسعه میدهد که میتوانند به طور خودکار الگوها را در دادهها شناسایی کنند و سپس از الگوهای کشف نشده برای پیشبینی دادههای آینده استفاده کنند. این کتاب درسی مقدمه ای جامع و مستقل در زمینه یادگیری ماشینی، بر اساس یک رویکرد یکپارچه و احتمالی ارائه می دهد. این پوشش وسعت و عمق را با هم ترکیب میکند و مطالب پسزمینه لازم را در مورد موضوعاتی مانند احتمال، بهینهسازی، و جبر خطی و همچنین بحث در مورد پیشرفتهای اخیر در این زمینه، از جمله زمینههای تصادفی شرطی، منظمسازی L1 و یادگیری عمیق ارائه میدهد. این کتاب به سبک غیررسمی و در دسترس نوشته شده است و با شبه کد برای مهمترین الگوریتم ها کامل شده است. همه موضوعات به وفور با تصاویر رنگی و نمونه های کار شده از حوزه های کاربردی مانند زیست شناسی، پردازش متن، بینایی کامپیوتر و روباتیک به تصویر کشیده شده اند. این کتاب به جای ارائه یک کتاب آشپزی از روشهای مختلف اکتشافی، بر رویکرد مبتنی بر مدلهای اصولی تأکید میکند، که اغلب از زبان مدلهای گرافیکی برای مشخص کردن مدلها به روشی مختصر و شهودی استفاده میکند. تقریباً تمام مدلهای توصیفشده در یک بسته نرمافزاری متلب – PMTK (کیت ابزار مدلسازی احتمالی) – که بهطور رایگان به صورت آنلاین در دسترس است، پیادهسازی شدهاند. این کتاب برای دانشآموزان مقطع کارشناسی ارشد با پیشزمینه ریاضی در سطح مقدماتی و دانشجویان مقطع کارشناسی ارشد مناسب است.
tag : دانلود کتاب یادگیری ماشینی: دیدگاه احتمالی , Download یادگیری ماشینی: دیدگاه احتمالی , دانلود یادگیری ماشینی: دیدگاه احتمالی , Download Machine learning: a probabilistic perspective Book , یادگیری ماشینی: دیدگاه احتمالی دانلود , buy یادگیری ماشینی: دیدگاه احتمالی , خرید کتاب یادگیری ماشینی: دیدگاه احتمالی , دانلود کتاب Machine learning: a probabilistic perspective , کتاب Machine learning: a probabilistic perspective , دانلود Machine learning: a probabilistic perspective , خرید Machine learning: a probabilistic perspective , خرید کتاب Machine learning: a probabilistic perspective ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.