مجله علمی تفریحی بیبیس
0

دانلود کتاب روش‌های هسته‌ای برای یادگیری ماشین با ریاضیات و پایتون – 100 تمرین برای ساختن منطق

  • عنوان کتاب: Kernel Methods for Machine Learning with Math and Python /100 Exercises for Building Logic
  • نویسنده: Joe Suzuki
  • حوزه: برنامه نویسی پایتون
  • سال انتشار: 2022
  • تعداد صفحه: 216
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 3.48 مگابایت

در بین روش های یادگیری ماشین، هسته ها همیشه نقطه ضعف خاصی برای من بوده اند. سعی کردم “مقدمه ای بر روش های هسته” نوشته کنجی فوکومیزو (به ژاپنی) را بخوانم اما بارها شکست خوردم. من از پروفسور فوکومیزو دعوت کردم تا یک سخنرانی فشرده در دانشگاه اوزاکا داشته باشد و به مدت یک هفته با دانشجویان به این دوره گوش دادم، اما نتوانستم ماهیت کتاب را درک کنم. وقتی برای اولین بار نوشتن این کتاب را شروع کردم، هدفم رهایی از احساس ضعف بود. با این حال، اکنون که این کتاب کامل شده است، می توانم به خوانندگان بگویم که چگونه می توانند بر نقاط ضعف هسته خود غلبه کنند. اکثر مردم، حتی محققان یادگیری ماشین، هسته ها را درک نمی کنند و از آنها استفاده می کنند. اگر این صفحه را باز کنید، فکر می کنم احساس مثبتی دارید که می خواهید بر ضعف خود غلبه کنید. کوتاه ترین مسیری که من برای دستیابی به این هدف توصیه می کنم یادگیری ریاضیات با شروع از مبانی است. تا زمانی که آن را درک نکرده اید، فکر کردن به این مفهوم ضروری است. ریاضیات مورد نیاز برای درک هسته ها را آنالیز تابعی می نامند (فصل 2). حتی اگر جبر خطی یا حساب دیفرانسیل و انتگرال را بلد باشید، ممکن است گیج شوید. بردارها ابعاد محدودی دارند، اما مجموعه ای از توابع بی نهایت ابعاد هستند و می توان آنها را به عنوان جبر خطی در نظر گرفت. اگر مفهوم کامل بودن برای شما تازگی دارد، امیدوارم برای یادگیری آن وقت بگذارید. با این حال، اگر از این فصل دوم عبور کنید، فکر می کنم همه چیز را در مورد کرنل ها خواهید فهمید. این کتاب جلد سوم (از شش جلد) از مجموعه 100 تمرین منطق ساختمان است. از آنجایی که این یک کتاب است، باید دلیلی برای انتشار آن وجود داشته باشد (به اصطلاح علت) زمانی که کتاب های موجود در مورد هسته پیدا شود. در ادامه به برخی از ویژگی های این کتاب اشاره می شود.

Among machine learning methods, kernels have always been a particular weakness of mine. I tried to read “Introduction to Kernel Methods” by Kenji Fukumizu (in Japanese) but failedmany times. I invited Prof. Fukumizu to give an intensive lecture at Osaka University and listened to the course for a week with the students, but I could not understand the book’s essence. When I first started writing this book, my goal was to rid my sense of weakness. However, now that this book is completed, I can tell readers how they can overcome their own kernel weaknesses. Most people, even machine learning researchers, do not understand kernels and use them. If you open this page, I believe you have a positive feeling that you want to overcome your weakness. The shortest path I would most recommend for achieving this is to learn mathematics by starting from the basics.Kernelswork according to themathematics behind them. It is essential to think through this concept until you understand it. The mathematics needed to understand kernels are called functional analysis (Chap. 2). Even if you know linear algebra or differential and integral calculus, you may be confused. Vectors are finite dimensional, but a set of functions is infinite dimensional and can be treated as linear algebra. If the concept of completeness is new to you, I hope you will take the time to learn about it. However, if you get through this second chapter, I think you will understand everything about kernels. This book is the third volume (of six) in the 100 Exercises for Building Logic set. Since this is a book, there must be a reason for publishing it (the so-called cause) when existing books on kernels can be found. The following are some of the features of this book.

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: Kernel Methods for Machine Learning with Math and Python

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید