برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Gaussian processes for machine learning

دانلود کتاب فرآیندهای گاوسی برای یادگیری ماشین

مشخصات کتاب

Gaussian processes for machine learning

ویرایش:  
نویسندگان: Rasmussen C.E.,  Williams C.K.I.  
سری: Adaptive Computation and Machine Learning series 
ISBN (شابک) : 026218253X 
ناشر: MIT 
سال نشر: 2006 
تعداد صفحات: 259 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 40,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 12

در صورت تبدیل فایل کتاب Gaussian processes for machine learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب فرآیندهای گاوسی برای یادگیری ماشین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب فرآیندهای گاوسی برای یادگیری ماشین

فرایندهای گاوسی (GPs) یک رویکرد اصولی، عملی و احتمالی برای یادگیری در ماشین‌های هسته ارائه می‌کنند. پزشکان عمومی در دهه گذشته توجه بیشتری را در جامعه یادگیری ماشینی به خود جلب کرده‌اند و این کتاب یک درمان سیستماتیک و یکپارچه از جنبه‌های نظری و عملی پزشکان عمومی در یادگیری ماشین ارائه می‌کند. درمان جامع و مستقل است و محققان و دانشجویان در یادگیری ماشین و آمار کاربردی را هدف قرار داده است. این کتاب با مشکل یادگیری نظارت شده برای هر دو رگرسیون و طبقه‌بندی سروکار دارد و شامل الگوریتم‌های دقیق است. طیف گسترده ای از توابع کوواریانس (هسته) ارائه شده و خواص آنها مورد بحث قرار گرفته است. انتخاب مدل هم از دیدگاه بیزی و هم از دیدگاه کلاسیک مورد بحث قرار می گیرد. بسیاری از اتصالات به سایر تکنیک‌های شناخته شده از یادگیری ماشین و آمار، از جمله ماشین‌های بردار پشتیبان، شبکه‌های عصبی، خطوط، شبکه‌های منظم‌سازی، ماشین‌های بردار مرتبط و موارد دیگر مورد بحث قرار گرفته‌اند. مسائل نظری از جمله منحنی های یادگیری و چارچوب PAC-Bayesian مورد بررسی قرار می گیرند و چندین روش تقریبی برای یادگیری با مجموعه داده های بزرگ مورد بحث قرار می گیرند. این کتاب شامل مثال‌ها و تمرین‌های گویا است و کدها و مجموعه‌های داده در وب موجود است. ضمیمه ها پیشینه ریاضی و بحثی در مورد فرآیندهای مارکوف گاوسی ارائه می دهند.

توضیحاتی درمورد کتاب به خارجی

Gaussian processes (GPs) provide a principled, practical, probabilistic approach to learning in kernel machines. GPs have received increased attention in the machine-learning community over the past decade, and this book provides a long-needed systematic and unified treatment of theoretical and practical aspects of GPs in machine learning. The treatment is comprehensive and self-contained, targeted at researchers and students in machine learning and applied statistics.The book deals with the supervised-learning problem for both regression and classification, and includes detailed algorithms. A wide variety of covariance (kernel) functions are presented and their properties discussed. Model selection is discussed both from a Bayesian and a classical perspective. Many connections to other well-known techniques from machine learning and statistics are discussed, including support-vector machines, neural networks, splines, regularization networks, relevance vector machines and others. Theoretical issues including learning curves and the PAC-Bayesian framework are treated, and several approximation methods for learning with large datasets are discussed. The book contains illustrative examples and exercises, and code and datasets are available on the Web. Appendixes provide mathematical background and a discussion of Gaussian Markov processes.