Machine Learning with Julia
An Algorithmic Exploration
Sorozatcím: Machine Learning: Foundations, Methodologies, and Applications;
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 74.89
-
31 060 Ft (29 581 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) 20% (cc. 6 212 Ft off)
- Kedvezményes ár 24 848 Ft (23 665 Ft + 5% áfa)
- A kedvezmény érvényes eddig: 2025. december 31.
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
31 060 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
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:
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2026. február 26.
- Kötetek száma 1 pieces, Book
- ISBN 9789819696888
- Kötéstípus Keménykötés
- Terjedelem418 oldal
- Méret 240x168 mm
- Nyelv angol
- Illusztrációk XXII, 418 p. 126 illus., 110 illus. in color. Illustrations, black & white 700
Kategóriák
Hosszú leírás:
"
This textbook offers a comprehensive and accessible introduction to machine learning with the Julia programming language. It bridges mathematical theory and real-world practice, guiding readers through both foundational concepts and advanced algorithms. Covering topics from essential principles like Kullback–Leibler divergence and eigen-analysis to cutting-edge techniques such as deep transfer learning and differential privacy, each chapter delivers clear explanations and detailed algorithmic treatments. Sample code accompanies every major topic, enabling hands-on learning and faster implementation.
By leveraging Julia’s powerful machine learning ecosystem—including libraries such as Flux.jl, MLJ.jl, and more—this book empowers readers to build robust, state-of-the-art machine learning models.
Ideal for students, researchers, and professionals alike, this textbook is designed for those seeking a solid theoretical foundation in machine learning, along with deep algorithmic insight and practical problem-solving inspiration.
" TöbbTartalomjegyzék:
Introduction.- Metrics and Divergences.- Clustering.- Online Clustering.- Dimension Reduction.- Bayesian classification.- Support Vector Machines = Linear Machines + Kernels.- Tree and Forest: Divide-and-Conquer.- Regression and Model Selection.- Ensemble Methods.- Neural networks.- Convolutional neural networks.- Autoencoders.- Generative adversarial networks.- Transfer Learning.- Federated Learning.
Több
