Machine Learning
A Constraint-Based Approach
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 90.95
-
35 525 Ft (33 833 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) % (cc. 0 Ft off)
- Kedvezményes ár 0 Ft (0 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
35 525 Ft
Beszerezhetőség
A kiadónál véglegesen elfogyott, nem rendelhető. Érdemes újra keresni a címmel, hátha van újabb kiadás.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 2
- Kiadó Morgan Kaufmann
- Megjelenés dátuma 2023. április 5.
- ISBN 9780323898591
- Kötéstípus Puhakötés
- Terjedelem560 oldal
- Méret 229x152 mm
- Súly 1160 g
- Nyelv angol 0
Kategóriák
Hosszú leírás:
Machine Learning: A Constraint-Based Approach, Second Edition provides readers with a refreshing look at the basic models and algorithms of machine learning, with an emphasis on current topics of interest that include neural networks and kernel machines. The book presents the information in a truly unified manner that is based on the notion of learning from environmental constraints. It draws a path towards deep integration with machine learning that relies on the idea of adopting multivalued logic formalisms, such as in fuzzy systems. Special attention is given to deep learning, which nicely fits the constrained-based approach followed in this book.
The book presents a simpler unified notion of regularization, which is strictly connected with the parsimony principle, including many solved exercises that are classified according to the Donald Knuth ranking of difficulty, which essentially consists of a mix of warm-up exercises that lead to deeper research problems. A software simulator is also included.
- Presents, in a unified manner, fundamental machine learning concepts, such as neural networks and kernel machines
- Provides in-depth coverage of unsupervised and semi-supervised learning, with new content in hot growth areas such as deep learning
- Includes a software simulator for kernel machines and learning from constraints that also covers exercises to facilitate learning
- Contains hundreds of solved examples and exercises chosen particularly for their progression of difficulty from simple to complex
- Supported by a free, downloadable companion book designed to facilitate students' acquisition of experimental skills
Tartalomjegyzék:
1. The Big Picture
2. Learning Principles
3. Linear-Threshold Machines
4. Kernel Machines
5. Deep Architectures
6. Learning from Constraints
7. Epilogue
8. Answers to selected exercises
