دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
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
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.
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.
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.