دانلود کتاب Foundations of Machine Learning (به فارسی: مبانی یادگیری ماشینی) نوشته شده توسط «Mohri Mehryar – Afshin Rostamizadeh – and Ameet Talwalkar»
اطلاعات کتاب مبانی یادگیری ماشینی
موضوع اصلی: کامپیوتر – سایبرنتیک
نوع: کتاب الکترونیکی
ناشر: The MIT Press
نویسنده: Mohri Mehryar – Afshin Rostamizadeh – and Ameet Talwalkar
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 505
حجم فایل: 8.30 مگابایت
کد کتاب: 0262039400 , 9780262039406
نوبت چاپ: 2
توضیحات کتاب مبانی یادگیری ماشینی
مهری مهریار، افشین
رستمی زاده و امیت تالوالکار
نسخه جدید
یک کتاب درسی یادگیری ماشین در سطح فارغ التحصیلی که بر تجزیه و تحلیل و
تمرکز دارد
نظریه الگوریتم ها.
این کتاب کلی است
مقدمه ای بر یادگیری ماشین که می تواند به عنوان یک کتاب درسی برای فارغ التحصیلان باشد
دانشجویان و مرجعی برای پژوهشگران. موضوعات اساسی مدرن را پوشش می دهد
در یادگیری ماشینی ضمن ارائه مبانی نظری و ابزارهای مفهومی
برای بحث و توجیه الگوریتم ها مورد نیاز است. همچنین
را توصیف می کند
چندین جنبه کلیدی کاربرد این الگوریتم ها. هدف نویسندگان
است
ابزارها و مفاهیم نظری بدیع را ارائه می کند و در عین حال برهان های مختصری را ارائه می کند
برای موضوعات نسبتاً پیشرفته.
مبانی
یادگیری ماشین
است
در تمرکز بر تجزیه و تحلیل و تئوری الگوریتم ها منحصر به فرد است. چهار مورد اول
فصل‌ها پایه‌های نظری را برای آنچه در زیر می‌آید ایجاد می‌کنند. فصل های بعدی
عمدتاً خودکفا هستند. موضوعات تحت پوشش شامل احتمالاً تقریباً
است
چارچوب یادگیری صحیح (PAC)؛ مرزهای تعمیم بر اساس Rademacher
پیچیدگی و ابعاد VC. ماشین های بردار پشتیبانی (SVM)؛ روش های هسته؛
افزایش؛ یادگیری آنلاین؛ طبقه بندی چند طبقه؛ رتبه بندی؛ رگرسیون؛
پایداری الگوریتمی؛ کاهش ابعاد؛ یادگیری خودکار و
زبان ها؛ و یادگیری تقویتی هر فصل با مجموعه ای از
به پایان می رسد
تمرینات ضمیمه ها مطالب اضافی از جمله احتمال مختصر را ارائه می دهند
بررسی.
این نسخه دوم
را ارائه می دهد
سه فصل جدید، در مورد انتخاب مدل، مدل‌های حداکثر آنتروپی، و شرطی
مدل های آنتروپی مطالب جدید در ضمیمه ها شامل یک بخش عمده در
است
دوگانگی فنچل، پوشش گسترده نابرابری های تمرکز، و
ورودی کاملا جدید در نظریه اطلاعات بیش از نیمی از تمرینات
هستند
جدید به این نسخه.
Mohri Mehryar, Afshin
Rostamizadeh, and Ameet Talwalkar
A new edition of
a graduate-level machine learning textbook that focuses on the analysis and
theory of algorithms.
This book is a general
introduction to machine learning that can serve as a textbook for graduate
students and a reference for researchers. It covers fundamental modern topics
in machine learning while providing the theoretical basis and conceptual tools
needed for the discussion and justification of algorithms. It also describes
several key aspects of the application of these algorithms. The authors aim to
present novel theoretical tools and concepts while giving concise proofs even
for relatively advanced topics.
Foundations of
Machine Learning is
unique in its focus on the analysis and theory of algorithms. The first four
chapters lay the theoretical foundation for what follows; subsequent chapters
are mostly self-contained. Topics covered include the Probably Approximately
Correct (PAC) learning framework; generalization bounds based on Rademacher
complexity and VC-dimension; Support Vector Machines (SVMs); kernel methods;
boosting; on-line learning; multi-class classification; ranking; regression;
algorithmic stability; dimensionality reduction; learning automata and
languages; and reinforcement learning. Each chapter ends with a set of
exercises. Appendixes provide additional material including concise probability
review.
This second edition offers
three new chapters, on model selection, maximum entropy models, and conditional
entropy models. New material in the appendixes includes a major section on
Fenchel duality, expanded coverage of concentration inequalities, and an
entirely new entry on information theory. More than half of the exercises are
new to this edition.
دانلود کتاب «مبانی یادگیری ماشینی»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.