جلد سخت سیاه و سفید
Product details
- Publisher : Cambridge University Press; 1st edition (October 13, 2022)
- Language : English
- Hardcover : 410 pages
- ISBN-10 : 1107163447
- ISBN-13 : 978-1107163447
کتاب Probabilistic Numerics: Computation as Machine Learning
Probabilistic numerical computation formalises the connection between machine learning and applied mathematics. Numerical algorithms approximate intractable quantities from computable ones. They estimate integrals from evaluations of the integrand, or the path of a dynamical system described by differential equations from evaluations of the vector field. In other words, they infer a latent quantity from data. This book shows that it is thus formally possible to think of computational routines as learning machines, and to use the notion of Bayesian inference to build more flexible, efficient, or customised algorithms for computation. The text caters for Masters' and PhD students, as well as postgraduate researchers in artificial intelligence, computer science, statistics, and applied mathematics. Extensive background material is provided along with a wealth of figures, worked examples, and exercises (with solutions) to develop intuition.
منابع کتاب کتاب Probabilistic Numerics: Computation as Machine Learning
محاسبات عددی احتمالی ارتباط بین یادگیری ماشین و ریاضیات کاربردی را رسمیت می بخشد. الگوریتم های عددی مقادیر غیرقابل حل را از مقادیر قابل محاسبه تقریبی می کنند. آنها انتگرال ها را از ارزیابی های انتگرال، یا مسیر یک سیستم دینامیکی که با معادلات دیفرانسیل از ارزیابی های میدان برداری توصیف می شود، تخمین می زنند. به عبارت دیگر، آنها کمیت نهفته را از داده ها استنتاج می کنند. این کتاب نشان می دهد که بنابراین به طور رسمی می توان روال های محاسباتی را به عنوان ماشین های یادگیری در نظر گرفت و از مفهوم استنتاج بیزی برای ساخت الگوریتم های انعطاف پذیرتر، کارآمدتر یا سفارشی تر برای محاسبات استفاده کرد. این متن برای دانشجویان کارشناسی ارشد و دکترا، و همچنین محققان تحصیلات تکمیلی در هوش مصنوعی، علوم کامپیوتر، آمار و ریاضیات کاربردی ارائه می‌شود.
ارسال نظر درباره کتاب Probabilistic Numerics: Computation as Machine Learning