کتاب Minimum Divergence Methods in Statistical Machine Learning: From an Information Geometric Viewpoint اثر Shinto Eguchi and Osamu Komori انتشارات مؤلفین طلایی
0%
(0 نفر) از خریداران، این کالا را پیشنهاد کرده اند
برند :
انتشارات مؤلفین طلاییویژگی ها
- نوع جلد : شومیز
- نوع کاغذ : تحریر
مشخصات محصول
این کتاب حداقل روش‌های واگرایی یادگیری ماشین آماری را برای تخمین، رگرسیون، پیش‌بینی و غیره بررسی می‌کند، که در آن ما در هندسه اطلاعات شرکت می‌کنیم تا ویژگی‌های ذاتی آن‌ها از توابع از دست دادن مربوطه، الگوریتم‌های یادگیری و مدل‌های آماری را روشن کنیم. یکی از ابتدایی‌ترین نمونه‌ها برآوردگر حداقل مربعات گاوس در مدل رگرسیون خطی است که در آن برآوردگر با کمینه‌سازی مجموع مربع‌های بین بردار پاسخ و بردار زیرفضای خطی که توسط بردارهای توضیحی پوسته شده است، به دست می‌آید. این به تخمین‌گر حداکثر احتمال فیشر (MLE) برای یک مدل نمایی، که در آن برآوردگر با کمینه‌سازی واگرایی Kullback-Leibler (KL) بین توزیع داده‌ها و توزیع پارامتری مدل نمایی در یک آنالوگ تجربی ارائه می‌شود، گسترش می‌یابد. بنابراین، ما یک تفسیر هندسی از چنین روش‌های کمینه‌سازی را در نظر می‌گیریم، به طوری که یک مثلث قائم‌الزاویه با هویت فیثاغورثی به معنای واگرایی KL حفظ می‌شود. این درک یک تعامل دوگانه بین یک تخمین آماری و مدل را تعالی می بخشد، که به مسیرهای ژئودزیکی دوگانه، به نام مسیرهای m-geodesic و e-geodesic، در چارچوبی از هندسه اطلاعات نیاز دارد.
این کتاب آخرین ویرایش این کتاب میباشد که توسط انتشارات مؤلفین طلایی به صورت اختصاصی در کشور به چاپ و نشر رسیده است.
نویسنده
Shinto Eguchi and Osamu Komori
ناشر
مؤلفین طلایی
موضوع
ریاضیات
قطع
وزیری
نوع جلد
شومیز
نوع کاغذ
تحریر
تعداد صفحه
224
