نام کتاب: Probabilistic Machine Learning For Civil Engineers
نویسنده: James-A Goulet
ویرایش: ۱
سال انتشار: ۲۰۲۰
کد ISBN کتاب: ۰۲۶۲۵۳۸۷۰۹, ۹۷۸۰۲۶۲۵۳۸۷۰۱,
فرمت: PDF
تعداد صفحه: ۳۰۴
حجم کتاب: ۲۴ مگابایت
کیفیت کتاب: OCR
انتشارات: The Mit Press
Description About Book Probabilistic Machine Learning For Civil Engineers From Amazon
Summary
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.
درباره کتاب Probabilistic Machine Learning For Civil Engineers ترجمه شده از گوگل
خلاصه
مقدمه ای بر مفاهیم و فنون کلیدی در یادگیری ماشین احتمالی برای دانشجویان و متخصصان مهندسی عمران ؛ با بسیاری از مثالها ، تصاویر و تمرینات گام به گام.
این کتاب مفاهیم یادگیری ماشین احتمالی را به دانشجویان و متخصصان مهندسی عمران معرفی می کند ، روش ها و تکنیک های کلیدی را به گونه ای ارائه می کند که بدون سابقه تخصصی در زمینه آمار یا علوم کامپیوتر برای خوانندگان قابل دسترسی است. این روشهای مختلف را به روشنی و مستقیم ، از طریق مثالهای گام به گام ، تصاویر و تمرینات ارائه می دهد. با تسلط بر مطالب ، خوانندگان می توانند ادبیات پیشرفته تر یادگیری ماشین را که این کتاب از آن گرفته شده ، درک کنند.
این کتاب رویکردهای کلیدی در سه زیرشاخه یادگیری ماشین احتمالی را ارائه می دهد: یادگیری تحت نظارت ، یادگیری بدون نظارت و یادگیری تقویت. این ابتدا دانش پیشینه مورد نیاز برای درک یادگیری ماشین ، از جمله جبر خطی و نظریه احتمال را پوشش می دهد. در ادامه به برآورد بیزی می پردازیم ، که در پشت فرمول دو روش یادگیری تحت نظارت و بدون نظارت و روشهای مونت کارلو زنجیره ای مارکوف است ، که تخمین بیزی را در موارد پیچیده خاصی امکان پذیر می کند. این کتاب سپس رویکردهای مرتبط با یادگیری تحت نظارت را شامل می شود ، از جمله روش های رگرسیون و روش های طبقه بندی ، و مفاهیم مرتبط با یادگیری بدون نظارت ، از جمله خوشه بندی ، کاهش ابعاد ، شبکه های بیزی ، مدل های فضای فضایی و کالیبراسیون مدل. سرانجام ، این کتاب مفاهیم اساسی تصمیمات عقلانی را در زمینه های نامشخص و تصمیم گیری منطقی را در زمینه های نامطمئن و متوالی معرفی می کند. با توجه به این ، این کتاب اصول یادگیری تقویت را تشریح می کند ، به موجب آن یک عامل مجازی می آموزد که چگونه در هنگام تعامل با محیط خود ، تصمیمات بهینه را از طریق آزمون و خطا اتخاذ کند.
[box type=”info”]
جهت دسترسی به توضیحات این کتاب در Amazon اینجا کلیک کنید.
در صورت خراب بودن لینک کتاب، در قسمت نظرات همین مطلب گزارش دهید.
با خرید اشتراک، بدون محدودیت، کتاب دانلود کن!
