جلد سخت سیاه و سفید
Product details
- Publisher : The MIT Press (March 1, 2022)
- Language : English
- Hardcover : 864 pages
- ISBN-10 : 0262046822
- ISBN-13 : 978-0262046824
کتاب Probabilistic Machine Learning: An Introduction (Adaptive Computation and Machine Learning series)
A detailed and up-to-date introduction to machine learning, presented through the unifying lens of probabilistic modeling and Bayesian decision theory.
This book offers a detailed and up-to-date introduction to machine learning (including deep learning) through the unifying lens of probabilistic modeling and Bayesian decision theory. The book covers mathematical background (including linear algebra and optimization), basic supervised learning (including linear and logistic regression and deep neural networks), as well as more advanced topics (including transfer learning and unsupervised learning). End-of-chapter exercises allow students to apply what they have learned, and an appendix covers notation.
Probabilistic Machine Learning grew out of the author’s 2012 book, Machine Learning: A Probabilistic Perspective. More than just a simple update, this is a completely new book that reflects the dramatic developments in the field since 2012, most notably deep learning. In addition, the new book is accompanied by online Python code, using libraries such as scikit-learn, JAX, PyTorch, and Tensorflow, which can be used to reproduce nearly all the figures; this code can be run inside a web browser using cloud-based notebooks, and provides a practical complement to the theoretical topics discussed in the book. This introductory text will be followed by a sequel that covers more advanced topics, taking the same probabilistic approach.
منابع کتاب کتاب Probabilistic Machine Learning: An Introduction (Adaptive Computation and Machine Learning series)
مقدمه ای دقیق و به روز بر یادگیری ماشین، از طریق لنز یکپارچه مدل سازی احتمالی و نظریه تصمیم بیزی ارائه شده است.
این کتاب مقدمه ای دقیق و به روز بر یادگیری ماشین (از جمله یادگیری عمیق) از طریق لنز یکپارچه مدل سازی احتمالی و نظریه تصمیم بیزی ارائه می دهد. این کتاب پیشینه ریاضی (از جمله جبر خطی و بهینه‌سازی)، یادگیری با نظارت اولیه (شامل رگرسیون خطی و لجستیک و شبکه‌های عصبی عمیق)، و همچنین موضوعات پیشرفته‌تر (از جمله یادگیری انتقالی و یادگیری بدون نظارت) را پوشش می‌دهد. تمرین‌های پایان فصل به دانش‌آموزان اجازه می‌دهد تا آنچه را که آموخته‌اند به کار ببرند و یک پیوست نمادگذاری را پوشش می‌دهد.
یادگیری ماشین احتمالی از کتاب نویسنده در سال 2012 رشد کرد،یادگیری ماشینی: یک دیدگاه احتمالی این کتاب بیش از یک به‌روزرسانی ساده، یک کتاب کاملاً جدید است که منعکس‌کننده تحولات چشمگیر در این زمینه از سال 2012، به ویژه یادگیری عمیق است. علاوه بر این، کتاب جدید با کد آنلاین پایتون، با استفاده از کتابخانه‌هایی مانند scikit-learn، JAX، PyTorch، و Tensorflow همراه است که می‌تواند برای بازتولید تقریباً همه شکل‌ها استفاده شود. این کد را می توان در داخل یک مرورگر وب با استفاده از نوت بوک های مبتنی بر ابر اجرا کرد و یک مکمل عملی برای مباحث نظری مورد بحث در کتاب ارائه می دهد. این متن مقدماتی با دنباله‌ای دنبال می‌شود که موضوعات پیشرفته‌تری را پوشش می‌دهد و همان رویکرد احتمالی را در پیش می‌گیرد.
ارسال نظر درباره کتاب Probabilistic Machine Learning: An Introduction (Adaptive Computation and Machine Learning series)