Машинное обучение — один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги — познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия.Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин.Важнейшие алгоритмы машинного обученияКогда необходимо машинное обучениеВычислительная сложность обученияОбучение нейронных сетейОценка максимального правдоподобияИнструмент для извлечения информации из больших наборов данных
Идеи машинного обучения
ПрочиеМашинное обучение — один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги — познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия.Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин.Важнейшие алгоритмы машинного обученияКогда необходимо машинное обучениеВычислительная сложность обученияОбучение нейронных сетейОценка максимального правдоподобияИнструмент для извлечения информации из больших наборов данных
$0.00
Нет в наличии
Вес | 33 унция |
---|---|
Габариты | 8.5 × 5.7 × 1.0 дюйм |
ISBN | 978-5-97060-673-5 |
EAN | 9785970606735 |
Формат | 70×100/16 |
Издательство | |
Переплет | Твердый переплет |
Автор | |
Стандарт | 8 |
Год выпуска | |
Количество страниц | 436 |
SKU | 675420 |
Формат, мм | 170×240 |