Értékelés:
A könyvet nagyra értékelik az intelligencia és a gépi tanulás összetett fogalmainak világos magyarázatáért, különösen a nagydimenziós adatelemzéssel kapcsolatban. Az olvasók nagyra értékelik az intuíció és a szigorúság egyensúlyát, valamint a jól szervezett tartalmat és az inspiráló példákat.
Előnyök:A filozófiai feltevések világos kifejtése, az intelligencia alapelveinek mély megértése, hasznos a mesterséges intelligenciában való tudományos sikerhez, jól megírt és érthető érvelés, izgalmas alkalmazási példák.
Hátrányok:Különösebb hátrányt nem említettek a kritikák.
(4 olvasói vélemény alapján)
High-Dimensional Data Analysis with Low-Dimensional Models: Principles, Computation, and Applications
Az elméletet és a gyakorlatot összekötő, szisztematikus és szigorú bevezetés a nagydimenziós adatelemzés kulcsfontosságú matematikai modelljeinek alapelveivel, algoritmusaival és alkalmazásaival foglalkozik. Átfogó megközelítésben, egységes lefedettséget biztosít számos különböző alacsony dimenziós modell és analitikai technika számára, beleértve a ritka és alacsony rangú modelleket, valamint a konvex és nem konvex megfogalmazásokat is.
Az olvasók megtanulják, hogyan lehet hatékony és skálázható algoritmusokat fejleszteni valós problémák megoldására, amit számos példa és gyakorlat támogat az egész könyvben, és hogyan lehet a megtanult számítási eszközöket számos alkalmazási kontextusban használni. A bemutatott alkalmazások között szerepel a tudományos képalkotás, a kommunikáció, az arcfelismerés, a 3D-s látás és az osztályozásra szolgáló mély hálózatok.
Az online elérhető kóddal ideális tankönyv a villamosmérnöki, informatikai és adattudományi szakok végzős és végzős hallgatói számára, valamint a ritkasággal, alacsony dimenziós struktúrákkal és nagy dimenziós adatokkal foglalkozó kurzusokat hallgatók számára. Emmanuel Cands előszava.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)