کتاب Understanding Machine Learning: From Theory to Algorithms

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 4,900,000 ریال

قیمت: 4,500,000 ریال

Product details

Publisher ‏ : ‎ Cambridge University Press; 1st edition (May 1, 2014)
Language ‏ : ‎ English
Hardcover ‏ : ‎ 410 pages
ISBN-10 ‏ : ‎ 1107057132
ISBN-13 ‏ : ‎ 978-1107057135

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.

منابع کتاب کتاب Understanding Machine Learning: From Theory to Algorithms

یادگیری ماشینی یکی از سریع‌ترین حوزه‌های در حال رشد علم کامپیوتر است که کاربردهای گسترده‌ای دارد. هدف این کتاب درسی معرفی یادگیری ماشینی و پارادایم های الگوریتمی ارائه شده به صورت اصولی است. این کتاب یک گزارش نظری گسترده از ایده‌های اساسی زیربنای یادگیری ماشین و مشتقات ریاضی که این اصول را به الگوریتم‌های عملی تبدیل می‌کند، ارائه می‌کند. پس از ارائه مبانی این رشته، کتاب مجموعه گسترده ای از موضوعات اصلی را پوشش می دهد که در کتاب های درسی قبلی به آن پرداخته نشده است. اینها شامل بحث در مورد پیچیدگی محاسباتی یادگیری و مفاهیم تحدب و ثبات است. پارادایم های الگوریتمی مهم از جمله نزول گرادیان تصادفی، شبکه های عصبی، و یادگیری خروجی ساخت یافته. و مفاهیم نظری در حال ظهور مانند رویکرد PAC-Bayes و مرزهای مبتنی بر فشرده سازی. این متن که برای دوره کارشناسی پیشرفته یا دوره کارشناسی ارشد طراحی شده است، اصول و الگوریتم های یادگیری ماشینی را برای دانشجویان و خوانندگان غیرمتخصص در آمار، علوم کامپیوتر، ریاضیات و مهندسی در دسترس قرار می دهد.