دانلود کتاب مقدمه ای بر یادگیری ماشین بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : An Introduction to Machine Learning
ویرایش : 3 ed.
عنوان ترجمه شده به فارسی : مقدمه ای بر یادگیری ماشین
سری :
نویسندگان : Miroslav Kubat
ناشر : Springer
سال نشر : 2021
تعداد صفحات : 476
[458]
ISBN (شابک) : 3030819345 , 9783030819347
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 6 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
این کتاب درسی مقدمه ای جامع بر تکنیک ها و الگوریتم های یادگیری ماشین ارائه می دهد. این ویرایش سوم رویکردهای جدیدتری را پوشش میدهد که بسیار موضوعی شدهاند، از جمله یادگیری عمیق، و رمزگذاری خودکار، اطلاعات مقدماتی در مورد یادگیری زمانیو مدل های پنهان مارکوف، و درمان بسیار دقیق تر یادگیری تقویتی. این کتاب به شیوه ای آسان و قابل فهم با مثال ها و تصاویر فراوان و با توصیه های عملی فراوان و بحث در مورد کاربردهای ساده نوشته شده است.
موضوعات اصلی شامل طبقهبندیکنندههای بیزی، طبقهبندیکنندههای نزدیکترین همسایه، طبقهبندیکنندههای خطی و چند جملهای، درختهای تصمیمگیری، برنامههای القاء قانون، شبکههای عصبی مصنوعی، ماشینهای بردار پشتیبانی، الگوریتمهای تقویتکننده، یادگیری بدون نظارت (از جمله شبکههای کوهونن و رمزگذاری خودکار)، یادگیری عمیق، یادگیری تقویتی، یادگیری زمانی (از جمله حافظه کوتاه مدت)، مدل های پنهان مارکوف، و الگوریتم ژنتیک. توجه ویژه ای به ارزیابی عملکرد، ارزیابی آماری و بسیاری از مسائل کاربردی از انتخاب ویژگی و ساخت ویژگی گرفته تا سوگیری، زمینه، حوزه های چند برچسبی و مشکل کلاس های نامتعادل اختصاص داده شده است.
This textbook offers a comprehensive introduction to Machine Learning techniques and algorithms. This Third Edition covers newer approaches that have become highly topical, including deep learning, and auto-encoding, introductory information about temporal learning and hidden Markov models, and a much more detailed treatment of reinforcement learning. The book is written in an easy-to-understand manner with many examples and pictures, and with a lot of practical advice and discussions of simple applications.
The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, rule-induction programs, artificial neural networks, support vector machines, boosting algorithms, unsupervised learning (including Kohonen networks and auto-encoding), deep learning, reinforcement learning, temporal learning (including long short-term memory), hidden Markov models, and the genetic algorithm. Special attention is devoted to performance evaluation, statistical assessment, and to many practical issues ranging from feature selection and feature construction to bias, context, multi-label domains, and the problem of imbalanced classes.