دانلود کتاب Random Matrix Methods for Machine Learning
کتاب روش‌های ماتریس تصادفی برای یادگیری ماشین نسخه زبان اصلی
دانلود کتاب روش‌های ماتریس تصادفی برای یادگیری ماشین بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Random Matrix Methods for Machine Learning
نام کتاب : Random Matrix Methods for Machine Learning
ویرایش : 1 ed.
عنوان ترجمه شده به فارسی : روش‌های ماتریس تصادفی برای یادگیری ماشین
سری :
نویسندگان : Romain Couillet, Zhenyu Liao
ناشر : Cambridge University Press
سال نشر : 2022
تعداد صفحات : 408
[411]
ISBN (شابک) : 1009123238 , 9781009123235
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 9 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.
توضیحاتی در مورد کتاب :
این کتاب یک نظریه یکپارچه از ماتریس‌های تصادفی را برای کاربردها در یادگیری ماشین ارائه می‌کند، که چشم‌انداز داده‌ای با ابعاد بزرگ را ارائه می‌کند که از پدیده‌های تمرکز و جهانی بودن بهره‌برداری می‌کند. این امکان درک دقیق و بهبودهای احتمالی مکانیسم‌های اصلی موجود در الگوریتم‌های یادگیری ماشین در دنیای واقعی را فراهم می‌کند. این کتاب با مقدمه‌ای کامل بر مبانی نظری ماتریس‌های تصادفی آغاز می‌شود، که به عنوان پشتیبان برای طیف گسترده‌ای از کاربردها از SVMها، از طریق یادگیری نیمه‌نظارت‌شده، خوشه‌بندی طیفی بدون نظارت، و روش‌های نمودار، تا شبکه‌های عصبی و یادگیری عمیق عمل می‌کند. . برای هر کاربرد، نویسندگان شهودهای کوچک در مقابل ابعاد بزرگ مسئله را مورد بحث قرار می‌دهند و به دنبال آن یک تحلیل ماتریس تصادفی سیستماتیک از عملکرد حاصل و بهبودهای احتمالی انجام می‌شود. همه مفاهیم، برنامه‌ها و تغییرات به صورت عددی بر روی داده‌های مصنوعی و همچنین دنیای واقعی با کد MATLAB و Python ارائه شده در وب‌سایت همراه نشان داده شده‌اند.
فهرست مطالب :
0.0 9781009123235
01.0_pp_i_iv_Frontmatter
02.0_pp_v_vi_Contents
03.0_pp_vii_viii_Preface
04.0_pp_1_34_Introduction
05.0_pp_35_154_Random_Matrix_Theory
06.0_pp_155_206_Statistical_Inference_in_Linear_Models
07.0_pp_207_276_Kernel_Methods
08.0_pp_277_312_Large_Neural_Networks
09.0_pp_313_336_Large-Dimensional_Convex_Optimization
10.0_pp_337_363_Community_Detection_on_Graphs
11.0_pp_364_377_Community_Detection_on_Graphs
12.0_pp_378_400_Bibliography
13.0_pp_401_402_Index
توضیحاتی در مورد کتاب به زبان اصلی :
This book presents a unified theory of random matrices for applications in machine learning, offering a large-dimensional data vision that exploits concentration and universality phenomena. This enables a precise understanding, and possible improvements, of the core mechanisms at play in real-world machine learning algorithms. The book opens with a thorough introduction to the theoretical basics of random matrices, which serves as a support to a wide scope of applications ranging from SVMs, through semi-supervised learning, unsupervised spectral clustering, and graph methods, to neural networks and deep learning. For each application, the authors discuss small- versus large-dimensional intuitions of the problem, followed by a systematic random matrix analysis of the resulting performance and possible improvements. All concepts, applications, and variations are illustrated numerically on synthetic as well as real-world data, with MATLAB and Python code provided on the accompanying website.