کتاب Understanding Machine Learning: From Theory to Algorithms

نوشته شده برای at 2019-08-03
2658 ۰

اطلاعات کتابشناختی
عنوان کتاب: مفهوم یادگیری ماشین – Understanding Machine Learning: From Theory to Algorithms
نویسنده: Shai Shalev-ShwartzShai Ben-David

ناشر: انتشارات Cambridge University Press, 2014
تعداد صفخات: ۳۹۷ صفحه

درباره نویسنده کتاب Understanding Machine Learning: From Theory to Algorithms

Shai Shalev-Shwartz is an Associate Professor at the School of Computer Science and Engineering at the Hebrew University of Jerusalem, Israel.

Shai Ben-David is a Professor in the School of Computer Science at the University of Waterloo, Canada

یادگیری ماشین (Machine learning) یکی از محبوبترین حوزه های هوش مصنوعی با بیشترین سطح از متقاضی چه برای آموزش و چه برای اجرای پروژه های تجاری می باشد که دلیل این موضوع هم کاربردهای بسیار گسترده و فراگیر در سطوح مختلف می باشد. ما در آکادمی یادگیری ماشین ایران، در راستان ارایه آموزش های سطح اول در این حوزه، در این پست قصد داریم یکی از کتب معتبر یادگیری ماشین را معرفی نماییم که علاوه بر آموزش یادگیری ماشین، پارادایم های الگوریتمی آن را به روش اصولی ارائه می دهد. این کتاب یک نظریه گسترده ای از ایده های اساسی در زمینه یادگیری ماشین و مشتقات ریاضی است که این اصول را به الگوریتم های عملی تبدیل می کند. پس از ارائه مقدمات اولیه جهت این موضوع، این کتاب مجموعه ای گسترده از موضوعات اصلی را که در کتاب های درسی قبلی مورد توجه قرار نگرفته است، پوشش می دهد. این کتاب برای مقطع کارشناسی و یا شروع دوره تحصیلات تکمیلی در رشته های کامپیوتر، هوش مصنوعی و علوم کامپیوتر می باشد. همچنین شایان ذکر است این کتاب مبانی و الگوریتم های یادگیری ماشین را برای دانش آموزان و خوانندگان غیر متخصص در زمینه آمار، علوم رایانه، ریاضیات و مهندسی فراهم می سازد.
  1. ۱۱-Foundations
    ۲۲-A Formal Learning Model
    ۳۱-Learning via Uniform Convergence
    ۳۶-The BiasComplexity Tradeoff
    ۴۳-The VCDimension
    ۵۸-Nonuniform Learnability
    ۷۳-The Runtime of Learning
    ۸۷-From Theory to Algorithms
    ۱۰۱-Boosting
    ۱۱۴-Model Selection and Validation
    ۱۲۴-Convex Learning Problems
    ۱۳۷-Regularization and Stability
    ۱۵۰-Stochastic Gradient Descent
    ۱۶۷-Support Vector Machines
    ۱۷۹-Kernel Methods
    ۱۹۰-Multiclass Ranking and Complex Prediction Problems
    ۲۱۲-Decision Trees
    ۲۱۹-Nearest Neighbor
    ۲۲۸-Neural Networks
    ۲۴۳-Additional Learning Models
    ۲۶۴-Clustering
    ۲۷۸-Dimensionality Reduction
    ۲۹۵-Generative Models
    ۳۰۹-Feature Selection and Generation
    ۳۲۳-Advanced Theory
    ۳۳۷-Covering Numbers
    ۳۵۱-Multiclass Learnability
    ۳۵۹-Compression Bounds
    ۳۶۹-Appendix A Technical Lemmas
    ۳۸۰-Linear Algebra 

نوشته مرتبط

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *