دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: James-A. Goulet
سری:
ISBN (شابک) : 9780262358019
ناشر: MIT Press
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 مگابایت
در صورت تبدیل فایل کتاب Probabilistic Machine Learning for Civil Engineers به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشین احتمالی برای مهندسان عمران نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مقدمه ای بر مفاهیم و تکنیک های کلیدی در یادگیری ماشین احتمالی برای دانشجویان و متخصصان مهندسی عمران. با مثال های گام به گام بسیاری، تصاویر و تمرین ها. این کتاب مفاهیم یادگیری ماشین احتمالی را به دانشجویان و متخصصان مهندسی عمران معرفی میکند و رویکردها و تکنیکهای کلیدی را به گونهای ارائه میکند که برای خوانندگان بدون پیشزمینه تخصصی آمار یا علوم کامپیوتر قابل دسترسی باشد. روش های مختلف را به طور واضح و مستقیم، از طریق مثال های گام به گام، تصاویر و تمرین ها ارائه می دهد. با تسلط بر مطالب، خوانندگان قادر خواهند بود ادبیات پیشرفتهتر یادگیری ماشینی را که این کتاب از آن استخراج میکند، درک کنند. این کتاب رویکردهای کلیدی را در سه زیر زمینه یادگیری ماشین احتمالی ارائه میکند: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی. ابتدا دانش پس زمینه مورد نیاز برای درک یادگیری ماشین، از جمله جبر خطی و نظریه احتمال را پوشش می دهد. در ادامه تخمین بیزی را ارائه میکند، که در پس فرمولبندی روشهای یادگیری تحت نظارت و بدون نظارت قرار دارد، و روشهای مونت کارلو زنجیره مارکوف، که تخمین بیزی را در موارد پیچیده خاص امکانپذیر میسازد. سپس این کتاب رویکردهای مرتبط با یادگیری نظارت شده، از جمله روشهای رگرسیون و روشهای طبقهبندی، و مفاهیم مرتبط با یادگیری بدون نظارت، از جمله خوشهبندی، کاهش ابعاد، شبکههای بیزی، مدلهای فضای حالت، و کالیبراسیون مدل را پوشش میدهد. در نهایت، کتاب مفاهیم اساسی تصمیم گیری های عقلانی در زمینه های نامشخص و تصمیم گیری منطقی در زمینه های نامشخص و متوالی را معرفی می کند. با تکیه بر این، این کتاب اصول یادگیری تقویتی را توصیف می کند، به موجب آن یک عامل مجازی یاد می گیرد که چگونه تصمیمات بهینه را از طریق آزمون و خطا در حالی که با محیط تعامل دارد، اتخاذ کند.
An introduction to key concepts and techniques in probabilistic machine learning for civil engineering students and professionals; with many step-by-step examples, illustrations, and exercises. This book introduces probabilistic machine learning concepts to civil engineering students and professionals, presenting key approaches and techniques in a way that is accessible to readers without a specialized background in statistics or computer science. It presents different methods clearly and directly, through step-by-step examples, illustrations, and exercises. Having mastered the material, readers will be able to understand the more advanced machine learning literature from which this book draws. The book presents key approaches in the three subfields of probabilistic machine learning: supervised learning, unsupervised learning, and reinforcement learning. It first covers the background knowledge required to understand machine learning, including linear algebra and probability theory. It goes on to present Bayesian estimation, which is behind the formulation of both supervised and unsupervised learning methods, and Markov chain Monte Carlo methods, which enable Bayesian estimation in certain complex cases. The book then covers approaches associated with supervised learning, including regression methods and classification methods, and notions associated with unsupervised learning, including clustering, dimensionality reduction, Bayesian networks, state-space models, and model calibration. Finally, the book introduces fundamental concepts of rational decisions in uncertain contexts and rational decision-making in uncertain and sequential contexts. Building on this, the book describes the basics of reinforcement learning, whereby a virtual agent learns how to make optimal decisions through trial and error while interacting with its environment.