Geschäftskunden Kundenprogramme

KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb
Produktbild: Fundamentals of Machine Learning
Band 5251

Fundamentals of Machine Learning Support Vector Machines Made Easy

Fr. 36.90

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

13.07.2020

Abbildungen

79 Farbabb.

Verlag

Utb GmbH

Seitenzahl

155

Maße (L/B/H)

0.9/19.6/26.6 cm

Gewicht

411 g

Auflage

1

Sprache

Englisch

ISBN

978-3-8252-5251-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

13.07.2020

Abbildungen

79 Farbabb.

Verlag

Utb GmbH

Seitenzahl

155

Maße (L/B/H)

0.9/19.6/26.6 cm

Gewicht

411 g

Auflage

1

Sprache

Englisch

ISBN

978-3-8252-5251-9

Herstelleradresse

UVK Verlag - Ein Unternehmen der Narr Francke Attempto Verlag GmbH + Co. KG
Dischingerweg 5
72070 Tübingen
DE
info@narr.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)
  • Produktbild: Fundamentals of Machine Learning
  • Contents
    Preface
    1 Symbolic Classification and Nearest Neighbour Classification
    1.1 Symbolic Classification
    1.2 Nearest Neighbour Classification
    2 Separating Planes and Linear Programming
    2.1 Finding a Separating Hyperplane
    2.2 Testing for feasibility of linear constraints
    2.3 Linear Programming
    MATLAB example
    2.4 Conclusion
    3 Separating Margins and Quadratic Programming
    3.1 Quadratic Programming
    3.2 Maximum Margin Separator Planes
    3.3 Slack Variables
    4 Dualization and Support Vectors
    4.1 Duals of Linear Programs
    4.2 Duals of Quadratic Programs
    4.3 Support Vectors
    5 Lagrange Multipliers and Duality
    5.1 Multidimensional functions
    5.2 Support Vector Expansion
    5.3 Support Vector Expansion with Slack Variables
    6 Kernel Functions
    6.1 Feature Spaces
    6.2 Feature Spaces and Quadratic Programming
    6.3 Kernel Matrix and Mercer’s Theorem
    6.4 Proof of Mercer’s Theorem
    Step 1 – Definitions and Prerequisites
    Step 2 – Designing the right Hilbert Space
    Step 3 – The reproducing property
    7 The SMO Algorithm
    7.1 Overview and Principles
    7.2 Optimisation Step
    7.3 Simplified SMO
    8 Regression
    8.1 Slack Variables
    8.2 Duality, Kernels and Regression
    8.3 Deriving the Dual form of the QP for Regression
    9 Perceptrons, Neural Networks and Genetic Algorithms
    9.1 Perceptrons
    Perceptron-Algorithm
    Perceptron-Lemma and Convergence
    Perceptrons and Linear Feasibility Testing
    9.2 Neural Networks
    Forward Propagation
    Training and Error Backpropagation
    9.3 Genetic Algorithms
    9.4 Conclusion
    10 Bayesian Regression
    10.1 Bayesian Learning
    10.2 Probabilistic Linear Regression
    10.3 Gaussian Process Models
    10.4 GP model with measurement noise
    Optimization of hyperparameters
    Covariance functions
    10.5 Multi-Task Gaussian Process (MTGP) Models
    11 Bayesian Networks
    Propagation of probabilities in causal networks
    Appendix – Linear Programming
    A.1 Solving LP0 problems
    A.2 Schematic representation of the iteration steps
    A.3 Transition from LP0 to LP
    A.4 Computing time and complexity issues
    References
    Index