Elsevier – Dimensionality Reduction in Machine Learning 2025

توضیحات

Dimensionality Reduction in Machine Learning، دوره آموزش کاهش ابعاد در یادگیری ماشین توسط انتشارات Elsevier منتشر شده است.کتاب کاهش ابعاد در یادگیری ماشین هر دو جنبه ریاضی و برنامه‌نویسی الگوریتم‌های کاهش ابعاد را پوشش می‌دهد و آن‌ها را در زمینه‌های واقعی مختلف مقایسه می‌کند. این کتاب مروری جامع بر تکنیک‌های کلیدی مانند تحلیل مؤلفه اصلی (PCA)، t-SNE، خودرمزگذارها و یادگیری مانیفولد ارائه می‌دهد و مبانی نظری و پیاده‌سازی عملی آن‌ها را توضیح می‌دهد. خواننده می‌آموزد چگونه روش مناسب کاهش ابعاد را برای انواع داده انتخاب و به کار گیرد، عملکرد مدل را بهبود بخشد و داده‌های با ابعاد بالا را مصورسازی کند. این منبع برای دانشجویان، پژوهشگران و فعالان حوزه یادگیری ماشین و علم داده که به دنبال تسلط بر کاهش ابعاد هستند، ایده‌آل است.

ویژگی های کتاب

• درک مبانی ریاضی و جنبه‌های برنامه‌نویسی الگوریتم‌های کاهش ابعاد.
• مقایسه و پیاده‌سازی تکنیک‌های کلیدی مانند PCA، t-SNE، خودرمزگذارها و یادگیری مانیفولد.
• انتخاب روش مناسب کاهش ابعاد برای انواع داده و وظایف مختلف.
• افزایش عملکرد مدل‌های یادگیری ماشین با کاهش ابعاد داده.
• مصورسازی و تفسیر مؤثر داده‌های با ابعاد بالا.

این کتاب برای چه کسانی مناسب است

• دانشجویان رشته‌های یادگیری ماشین، علم داده یا هوش مصنوعی.
• پژوهشگرانی که به دنبال مرجعی جامع درباره کاهش ابعاد هستند.
• دانشمندان داده و فعالانی که کاهش ابعاد را در پروژه‌های واقعی به کار می‌برند.
• هر کسی که به درک و مصورسازی داده‌های با ابعاد بالا علاقه‌مند است.

مشخصات  Dimensionality Reduction in Machine Learning

• ناشر : Elsevier
• مدرس : Jamal Amani Rad
• زبان: انگلیسی
• سطح آموزش: تمام سطوح
• تعداد صفحات: 314
• تعداد فصل ها: 11
• فرمت: PDF

سر فصل های  Dimensionality Reduction in Machine Learning

تصاویر

راهنمای نصب

پس از Extract، با نرم افزار دلخواه خود مشاهده کنید.

لینک دانلود

دانلود- 13 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

13 مگابایت