KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb
Produktbild: Machine Learning Refined
- 50%

Machine Learning Refined

50% sparen

65,99 € UVP 133,10 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

09.01.2020

Abbildungen

316 colour illus. 127 exercises

Verlag

Cambridge University Press

Seitenzahl

598

Maße (L/B/H)

25/17,5/3,6 cm

Gewicht

1140 g

Auflage

2., überarbeitete Auflage

Sprache

Englisch

ISBN

978-1-108-48072-7

Beschreibung

Rezension

'An excellent book that treats the fundamentals of machine learning from basic principles to practical implementation. The book is suitable as a text for senior-level and first-year graduate courses in engineering and computer science. It is well organized and covers basic concepts and algorithms in mathematical optimization methods, linear learning, and nonlinear learning techniques. The book is nicely illustrated in multiple colors and contains numerous examples and coding exercises using Python.' John G. Proakis, University of California, San Diego

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

09.01.2020

Abbildungen

316 colour illus. 127 exercises

Verlag

Cambridge University Press

Seitenzahl

598

Maße (L/B/H)

25/17,5/3,6 cm

Gewicht

1140 g

Auflage

2., überarbeitete Auflage

Sprache

Englisch

ISBN

978-1-108-48072-7

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
Die Leseprobe wird geladen.
  • Produktbild: Machine Learning Refined
  • 1. Introduction to machine learning; Part I. Mathematical Optimization: 2. Zero order optimization techniques; 3. First order methods; 4. Second order optimization techniques; Part II. Linear Learning: 5. Linear regression; 6. Linear two-class classification; 7. Linear multi-class classification; 8. Linear unsupervised learning; 9. Feature engineering and selection; Part III. Nonlinear Learning: 10. Principles of nonlinear feature engineering; 11. Principles of feature learning; 12. Kernel methods; 13. Fully-connected neural networks; 14. Tree-based learners; Part IV. Appendices: Appendix A. Advanced first and second order optimization methods; Appendix B. Derivatives and automatic differentiation; Appendix C. Linear algebra.