Modern Machine Learning and Pattern Recognition by Bouchaffra, Djamel;

12% KEDVEZMÉNY?

Kiadói listaár EUR 69.54
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.

27 162 Ft (25 868 Ft + 5% áfa)
Kedvezmény(ek) 12% (cc. 3 259 Ft off)
Kedvezményes ár 23 902 Ft (22 764 Ft + 5% áfa)

23 902 Ft

Beszerezhetőség

Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.

A termék adatai:

Kiadó Springer Nature Switzerland
Megjelenés dátuma 2026. augusztus 25.

ISBN 9783032249531
Kötéstípus Keménykötés
Terjedelem767 oldal
Méret 235x155 mm
Nyelv angol
Illusztrációk XX, 767 p.

Kategóriák

Kombinatorika és gráfelmélet Valószínűségelmélet és matematikai statisztika Matematika a mérnöki- és természettudományok területén A számítástudomány matematikai elmélete Operációs rendszerek és grafikus felhasználói felületek Mesterséges intelligencia Digitális jel-, hang- és képfeldolgozás További könyvek a fizika területén

Hosszú leírás:

"

Modern Machine Learning and Pattern Recognition presents a rigorous, comprehensive exploration from classical learning paradigms to the latest deep architectures and large language models. Integrating supervised, unsupervised, self-supervised, and reinforcement learning with modern neural network design, the book offers a unified view of machine learning and pattern recognition grounded in statistical learning theory and optimization. Through a progression of chapters, readers move from foundations and multilayer perceptrons to convolutional and recurrent networks, generative adversarial models, and transformer-based large language models.

A special feature of this text is its combination of theoretical depth with extensive practice-oriented material, including many exercises, Python-based projects, and real-world case studies that bridge mathematical analysis with implementation and experimentation. Beyond just standard architectures, the book introduces original coalitional neural models with energy-based foundations, drawing on statistical physics, game theory, and random matrix theory to analyze and redesign deep networks at a fundamental level. It concludes with dedicated chapters on the ethical and social implications of large-scale models and on emerging research directions such as topological datat analysis, meta-reasoning in LLMs, and causal inference: helping readers connect core techniques to current debates and future developments in AI.

Meant for advanced undergraduates, graduate students, researchers, and professionals, this single-author monograph provides a coherent and pedagogically structured treatment suitable for classroom adoption, self-study, and reference. Readers are equipped not only to understand existing models, but also to engage with ongoing research on interpretability, robustness, and the next generation of learning architectures.

"

Több

Tartalomjegyzék:

.- Foundations of Machine Learning.
.- Fundamentals of Neural Networks.
.- Deep Learning Models.
.- Convolutional Neural Networks (CNNs).
.- Recurrent Neural Networks and Long Short-Term Memory (LSTM).
.- Generative Adversarial Networks (GANs).
.- Transformer-based Large Language Models.
.- Training Transformer Models.
.- Coalitional Neural Models with Energy-Based Foundations.
.- Ethical Implications of Language Models.
.- Future Directions of Machine Learning.
.- Conclusion and Perspectives.