دانلود کتاب Statistical Learning Theory and Stochastic Optimization: Ecole d’Eté de Probabilités de Saint-Flour XXXI – 2001 (به فارسی: تئوری یادگیری آماری و بهینه‌سازی تصادفی: مدرسه تابستانی احتمال سنت فلور XXXI – 2001) نوشته شده توسط «Olivier Catoni (auth.) – Jean Picard (eds.)»
اطلاعات کتاب تئوری یادگیری آماری و بهینه‌سازی تصادفی: مدرسه تابستانی احتمال سنت فلور XXXI – 2001
موضوع اصلی: تحصیلات
نوع: کتاب الکترونیکی
ناشر: Springer-Verlag Berlin Heidelberg
نویسنده: Olivier Catoni (auth.) – Jean Picard (eds.)
زبان: English
فرمت کتاب: pdf (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2004
تعداد صفحه: 284
حجم کتاب: 2 مگابایت
کد کتاب: 3540225722 , 9783540225720
نوبت چاپ: 1
توضیحات کتاب تئوری یادگیری آماری و بهینه‌سازی تصادفی: مدرسه تابستانی احتمال سنت فلور XXXI – 2001
نظریه یادگیری آماری با هدف تجزیه و تحلیل داده های پیچیده با مدل های لزوماً تقریبی است. این کتاب برای مخاطبانی با سابقه تحصیلات تکمیلی در نظریه احتمال و آمار در نظر گرفته شده است. برای هر خواننده ای که تعجب کند چرا ممکن است ایده خوبی باشد، استفاده از یک مدل معروف “اشتباه” (یعنی بیش از حد ساده شده) برای پیش بینی، تخمین یا طبقه بندی، ممکن است ایده خوبی باشد. ریشه در سه زمینه: تئوری اطلاعات، مکانیک آماری، و قضایای PAC-Bayesian. نتایج مربوط به انحرافات بزرگ مسیر زنجیره‌های مارکوف با انتقال‌های نادر نیز گنجانده شده است. آنها به منظور ارائه درک بهتری از الگوریتم‌های بهینه‌سازی تصادفی رایج در برآوردگرهای محاسباتی. نویسنده بر روی مرزهای غیر مجانبی ریسک آماری تمرکز می‌کند، و به فرد اجازه می‌دهد تا بین خانواده‌های غنی و ساختاریافته مدل‌ها و برآوردگرهای مربوطه به‌طور انطباقی انتخاب کند. دو شیء ریاضی در کتاب نفوذ کرده است: آنتروپی و اندازه‌گیری‌های گیبس. هدف نشان دادن چگونگی انتخاب است. برای تبدیل آنها به ابزارهای فنی همه کاره و کارآمد، که باعث تحریک مطالعات و نتایج بیشتر می شود.
Statistical learning theory is aimed at analyzing complex data with necessarily approximate models. This book is intended for an audience with a graduate background in probability theory and statistics. It will be useful to any reader wondering why it may be a good idea, to use as is often done in practice a notoriously “wrong” (i.e. over-simplified) model to predict, estimate or classify. This point of view takes its roots in three fields: information theory, statistical mechanics, and PAC-Bayesian theorems. Results on the large deviations of trajectories of Markov chains with rare transitions are also included. They are meant to provide a better understanding of stochastic optimization algorithms of common use in computing estimators. The author focuses on non-asymptotic bounds of the statistical risk, allowing one to choose adaptively between rich and structured families of models and corresponding estimators. Two mathematical objects pervade the book: entropy and Gibbs measures. The goal is to show how to turn them into versatile and efficient technical tools, that will stimulate further studies and results.
دانلود کتاب «تئوری یادگیری آماری و بهینه‌سازی تصادفی: مدرسه تابستانی احتمال سنت فلور XXXI – 2001»
