وضعیت موجودی موجود
جلد سخت سیاه و سفید
Product details
- Publisher : Springer; 1st ed. 2022 edition (May 15, 2022)
- Language : English
- Paperback : 220 pages
- ISBN-10 : 9811904006
- ISBN-13 : 978-9811904004
کتاب Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic
The most crucial ability for machine learning and data science is mathematical logic for grasping their essence rather than relying on knowledge or experience. This textbook addresses the fundamentals of kernel methods for machine learning by considering relevant math problems and building Python programs.
The book’s main features are as follows:
- The content is written in an easy-to-follow and self-contained style.
- The book includes 100 exercises, which have been carefully selected and refined. As their solutions are provided in the main text, readers can solve all of the exercises by reading the book.
- The mathematical premises of kernels are proven and the correct conclusions are provided, helping readers to understand the nature of kernels.
- Source programs and running examples are presented to help readers acquire a deeper understanding of the mathematics used.
- Once readers have a basic understanding of the functional analysis topics covered in Chapter 2, the applications are discussed in the subsequent chapters. Here, no prior knowledge of mathematics is assumed.
- This book considers both the kernel for reproducing kernel Hilbert space (RKHS) and the kernel for the Gaussian process; a clear distinction is made between the two.
منابع کتاب کتاب Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic
حیاتی ترین توانایی برای یادگیری ماشین و علم داده، منطق ریاضی برای درک ماهیت آنها به جای تکیه بر دانش یا تجربه است. این کتاب درسی با در نظر گرفتن مسائل ریاضی مرتبط و ساخت برنامه‌های پایتون به اصول روش‌های هسته برای یادگیری ماشین می‌پردازد.
ویژگی های اصلی کتاب به شرح زیر است:
- محتوا به سبکی ساده و مستقل نوشته شده است.
- این کتاب شامل 100 تمرین است که با دقت انتخاب و اصلاح شده است. از آنجایی که راه حل های آنها در متن اصلی ارائه شده است، خوانندگان می توانند با خواندن کتاب تمام تمرین ها را حل کنند.
- پیش‌فرض‌های ریاضی هسته‌ها ثابت می‌شوند و نتیجه‌گیری‌های صحیح ارائه می‌شود و به خوانندگان کمک می‌کند تا ماهیت هسته‌ها را درک کنند.
- برنامه‌های منبع و مثال‌های در حال اجرا برای کمک به خوانندگان ارائه شده‌اند تا درک عمیق‌تری از ریاضیات مورد استفاده پیدا کنند.
- هنگامی که خوانندگان درک اولیه ای از موضوعات تحلیل عملکردی تحت پوشش در فصل 2 داشته باشند، کاربردها در فصل های بعدی مورد بحث قرار می گیرند. در اینجا، هیچ دانش قبلی از ریاضیات فرض نمی شود.
- این کتاب هم هسته را برای بازتولید هسته فضای هیلبرت (RKHS) و هم هسته را برای فرآیند گاوسی در نظر می گیرد. تمایز واضحی بین این دو قائل شده است.
ارسال نظر درباره کتاب Kernel Methods for Machine Learning with Math and Python: 100 Exercises for Building Logic