درک یادگیری ماشین
دسته: الگوریتم، هوش مصنوعییادگیری ماشین یکی از سریعترین حوزههای رشد علم کامپیوتر با کاربردهای گسترده میباشد. هدف این کتاب درسی، معرفی یادگیری ماشین و الگوهای الگوریتمی، بهروشی اصولی میباشد.
کتاب “درک یادگیری ماشین” یک شرح نظری گسترده از ایدههای اساسی درزمینه یادگیری ماشین و مشتقات ریاضی ارائه میدهد که این اصول را به الگوریتمهای کاربردی منتقل میکند.
بهدنبال یک ارائه از اصول این رشته،کتاب آرایه گستردهای از موضوعات اصلی را که در کتب درسی گذشته به آن اشاره نشده است؛ پوشش میدهد. این کتاب شامل مباحثی از پیچیدگی محاسباتی یادگیری و مفاهیم تحدب و ثبات؛ الگوهای الگوریتمی مهم شامل گرادیان نزولی تصادفی، شبکههای عصبی و یادگیری خروجی ساختارمند، و مفاهیم نظری درحال ظهور مانند رویکرد PAC-Bayes و مرزهای مبتنی بر فشردهسازی میباشد.
کتاب “درک یادگیری ماشین” یک شرح نظری گسترده از ایدههای اساسی درزمینه یادگیری ماشین و مشتقات ریاضی ارائه میدهد که این اصول را به الگوریتمهای کاربردی منتقل میکند.
بهدنبال یک ارائه از اصول این رشته،کتاب آرایه گستردهای از موضوعات اصلی را که در کتب درسی گذشته به آن اشاره نشده است؛ پوشش میدهد. این کتاب شامل مباحثی از پیچیدگی محاسباتی یادگیری و مفاهیم تحدب و ثبات؛ الگوهای الگوریتمی مهم شامل گرادیان نزولی تصادفی، شبکههای عصبی و یادگیری خروجی ساختارمند، و مفاهیم نظری درحال ظهور مانند رویکرد PAC-Bayes و مرزهای مبتنی بر فشردهسازی میباشد.
سال انتشار: 2014 | 424 صفحه | حجم فایل: 3 مگابایت | زبان: انگلیسی
نویسنده
Shai Shalev-Shwartz,Shai Ben-David
ناشر
Cambridge University Press
ISBN10:
1107057132
ISBN13:
9781107057135
قیمت: 16000 تومان
برچسبها: یادگیری ماشین Machine learning is one of the fastest growing areas of computer science, with far-reaching applications. The aim of this textbook is to introduce machine learning, and the algorithmic paradigms it offers, in a principled way. The book provides an extensive theoretical account of the fundamental ideas underlying machine learning and the mathematical derivations that transform these principles into practical algorithms. Following a presentation of the basics of the field, the book covers a wide array of central topics that have not been addressed by previous textbooks. These include a discussion of the computational complexity of learning and the concepts of convexity and stability; important algorithmic paradigms including stochastic gradient descent, neural networks, and structured output learning; and emerging theoretical concepts such as the PAC-Bayes approach and compression-based bounds. Designed for an advanced undergraduate or beginning graduate course, the text makes the fundamentals and algorithms of machine learning accessible to students and non-expert readers in statistics, computer science, mathematics, and engineering.