|
|
|
|
| LEADER |
00000nam0a2200000 4500 |
| 001 |
343965 |
| 005 |
20231102005620.0 |
| 010 |
|
|
|a 9785970606735
|
| 035 |
|
|
|a (RuTPU)RU\TPU\book\374846
|
| 090 |
|
|
|a 343965
|
| 100 |
|
|
|a 20191129d2019 k y0rusy50 ca
|
| 101 |
1 |
|
|a rus
|c eng
|
| 102 |
|
|
|a RU
|
| 105 |
|
|
|a a z 001zy
|
| 200 |
1 |
|
|a Идеи машинного обучения. От теории к алгоритмам
|e пер. с англ.
|f Ш. Шалев-Шварц, Ш. Бен-Давид
|
| 210 |
|
|
|a Москва
|c ДМК Пресс
|d 2019
|
| 215 |
|
|
|a 436 с.
|c ил.
|
| 320 |
|
|
|a Библиография в конце глав
|
| 320 |
|
|
|a Литература: с. 423-431
|
| 320 |
|
|
|a Предметный указатель: с.432-435
|
| 330 |
|
|
|a Машинное обучение - один из самых быстро развивающихся разделов информатики с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, РАС-байесовский подход и границы сжатия. Издание ориентировано на студентов старших курсов, обучающихся информатике, техническим наукам, математике или статистике, а также может быть полезно исследователям, желающим углубить свои теоретические знания. Предполагается, что читатель знаком с основами теории вероятностей, линейной алгебры, математического анализа и теории алгоритмов.
|
| 606 |
1 |
|
|a Машинное обучение
|2 stltpush
|3 (RuTPU)RU\TPU\subj\74505
|9 86729
|
| 610 |
1 |
|
|a формальные модели
|
| 610 |
1 |
|
|a обучаемость
|
| 610 |
1 |
|
|a равномерная сходимость
|
| 610 |
1 |
|
|a смещение
|
| 610 |
1 |
|
|a сложность
|
| 610 |
1 |
|
|a компромиссы
|
| 610 |
1 |
|
|a VC-размерность
|
| 610 |
1 |
|
|a неравномерная обучаемость
|
| 610 |
1 |
|
|a время обучения
|
| 610 |
1 |
|
|a линейные предикторы
|
| 610 |
1 |
|
|a регуляризация
|
| 610 |
1 |
|
|a стохастический градиентный спуск
|
| 610 |
1 |
|
|a метод опорных векторов
|
| 610 |
1 |
|
|a ядерные методы
|
| 610 |
1 |
|
|a многоклассовая категоризация
|
| 610 |
1 |
|
|a ранжирование
|
| 610 |
1 |
|
|a предсказание
|
| 610 |
1 |
|
|a онлайновое обучение
|
| 610 |
1 |
|
|a кластеризация
|
| 610 |
1 |
|
|a радемахеровская сложность
|
| 610 |
1 |
|
|a PAC-байесовский подход
|
| 675 |
|
|
|a 004.85
|v 4
|
| 700 |
|
1 |
|a Шалев-Шварц
|b Ш.
|g Шай
|
| 701 |
|
1 |
|a Бен-Давид
|b Ш.
|g Шай
|
| 801 |
|
1 |
|a RU
|b 63413507
|c 20191129
|
| 801 |
|
2 |
|a RU
|b 63413507
|c 20191220
|g RCR
|
| 942 |
|
|
|c BK
|
| 959 |
|
|
|a 27/20191129
|d 1
|e 2066,00
|f ЧЗТЛ:1
|
