کتاب Machine Learning: A Quantitative Approach

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 5,590,000 ریال

قیمت: 5,190,000 ریال

Product details

Publisher ‏ : ‎ CreateSpace Independent Publishing Platform (March 12, 2018)
Language ‏ : ‎ English
Paperback ‏ : ‎ 479 pages
ISBN-10 ‏ : ‎ 1986487520
ISBN-13 ‏ : ‎ 978-1986487528

Available at a lower price from other sellers that may not offer free Prime shipping.

Machine learning is a newly-reinvigorated field. It promises to foster many technological advances that may improve the quality of our lives significantly, from the use of the latest, popular, high-gear gadgets such as smartphones, home devices, TVs, game consoles and even self-driving cars, and so on. Of course, for all of us in the circles of high education, academic research and various industrial fields, it offers more challenges and more opportunities.

Whether you are a CS student taking a machine learning class or a scientist or an engineer entering the field of machine learning, this text helps you get up to speed with machine learning quickly and systematically. By adopting a quantitative approach, you will be able to grasp many of the machine learning core concepts, algorithms, models, methodologies, strategies and best practices within a minimal amount of time. Throughout the text, you will be provided with proper textual explanations and graphical exhibitions augmented not only with relevant mathematics for its rigor, conciseness, and necessity but also with high-quality examples.

The text encourages you to take a hands-on approach while grasping all rigorous, necessary mathematical underpinnings behind various ML models. Specifically, this text helps you:

Understand what problems machine learning can help solve
Understand various machine learning models, with the strengths and limitations of each model
Understand how various major machine learning algorithms work behind the scene so that you would be able to optimize, tune, and size various models more effectively and efficiently
Understand a few state-of-the-art neural network architectures such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Autoencoders (AEs), and so on
More importantly, you can learn how to train and run practically usable deep learning models on macOS and Linux-based instances with GPUs

Solutions to exercises are also provided to help you self-check your self-paced learning.

منابع کتاب کتاب Machine Learning: A Quantitative Approach

با قیمت پایین‌تری از سایر فروشندگانی که ممکن است ارسال رایگان Prime را ارائه ندهند، موجود است.

یادگیری ماشینی یک زمینه تازه احیا شده است. این نوید می دهد که بسیاری از پیشرفت های تکنولوژیکی را تقویت کند که ممکن است کیفیت زندگی ما را به طور قابل توجهی بهبود بخشد، از استفاده از جدیدترین، محبوب ترین ابزارهای پر دنده مانند گوشی های هوشمند، دستگاه های خانگی، تلویزیون ها، کنسول های بازی و حتی ماشین های خودران و غیره. بر. البته برای همه ما در حلقه‌های تحصیلات عالی، تحقیقات دانشگاهی و رشته‌های مختلف صنعتی، چالش‌ها و فرصت‌های بیشتری را ارائه می‌دهد.

چه دانش‌آموز CS باشید که در کلاس یادگیری ماشین شرکت می‌کنید یا دانشمند یا مهندس هستید که وارد حوزه یادگیری ماشین می‌شوید، این متن به شما کمک می‌کند تا به سرعت و به‌طور سیستماتیک با یادگیری ماشینی به سرعت برسید. با اتخاذ یک رویکرد کمی، شما قادر خواهید بود بسیاری از مفاهیم اصلی، الگوریتم ها، مدل ها، روش ها، استراتژی ها و بهترین شیوه های یادگیری ماشین را در کمترین زمان درک کنید. در سراسر متن، توضیحات متنی مناسب و نمایشگاه های گرافیکی نه تنها با ریاضیات مرتبط به دلیل دقت، مختصر و ضرورت آن، بلکه با مثال هایی با کیفیت بالا نیز در اختیار شما قرار می گیرد.

این متن شما را تشویق می‌کند تا در عین درک همه زیربناهای ریاضی دقیق و ضروری در پشت مدل‌های مختلف ML، رویکردی عملی داشته باشید. به طور خاص، این متن به شما کمک می کند:

درک کنید که یادگیری ماشینی می تواند به حل چه مشکلاتی کمک کند

مدل های مختلف یادگیری ماشین را با نقاط قوت و محدودیت های هر مدل درک کنید

بدانید که چگونه الگوریتم های مختلف یادگیری ماشینی در پشت صحنه کار می کنند تا بتوانید مدل های مختلف را به طور موثرتر و کارآمدتر بهینه سازی، تنظیم و اندازه کنید.

آشنایی با چند معماری پیشرفته شبکه عصبی مانند شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN) و رمزگذارهای خودکار (AEs) و غیره

مهم‌تر از آن، می‌توانید نحوه آموزش و اجرای مدل‌های یادگیری عمیق کاربردی را در نمونه‌های مبتنی بر macOS و لینوکس با پردازنده‌های گرافیکی یاد بگیرید.

راه‌حل‌هایی برای تمرین‌ها نیز ارائه می‌شود تا به شما کمک کند یادگیری خودسرانه خود را بررسی کنید.