Des services pour PMB
Accueil
Éditeur Cham, Switzerland : Springer
|
|
Documents disponibles chez cet éditeur (1)
Faire une suggestion Affiner la recherche Interroger des sources externesLinear algebra and optimization for machine learning / Aggarwal, Charu C. (2020) / 978-3-030-40346-1
Titre : Linear algebra and optimization for machine learning : A textbook Type de document : texte imprimé Auteurs : Aggarwal, Charu C., Auteur Editeur : Cham, Switzerland : Springer Année de publication : 2020 Importance : 1 vol. (XXI-495 p.) Présentation : couv.ill.en coul. Format : 26cm. ISBN/ISSN/EAN : 978-3-030-40346-1 Note générale : Bibliogr. p. 483-489. Index Langues : Anglais (eng) Catégories : 51 Mathématiques :519.8 Recherche opérationnelle Tags : Algèbre linéaire Optimisation Apprentissage automatique Machine learning Intelligence artificielle Mathématiques appliquées Analyse matricielle Optimisation convexe Science des données Manuel universitaire Index. décimale : 519.85 Résumé : 1. Linear algebra and optimization : an introduction
2. Linear transformations and linear systems
3. Eigenvectors and diagonalizable matrices
4. Optimization basics : a machine learning view
5. Advanced optimization solutions
6. Constrained optimization and duality
7. Singular value decomposition
8. Matrix factorization
9. The linear algebra of similarity
10. The linear algebra of graphs
11. Optimization in computational graphsLinear algebra and optimization for machine learning : A textbook [texte imprimé] / Aggarwal, Charu C., Auteur . - Cham, Switzerland : Springer, 2020 . - 1 vol. (XXI-495 p.) : couv.ill.en coul. ; 26cm.
ISBN : 978-3-030-40346-1
Bibliogr. p. 483-489. Index
Langues : Anglais (eng)
Catégories : 51 Mathématiques :519.8 Recherche opérationnelle Tags : Algèbre linéaire Optimisation Apprentissage automatique Machine learning Intelligence artificielle Mathématiques appliquées Analyse matricielle Optimisation convexe Science des données Manuel universitaire Index. décimale : 519.85 Résumé : 1. Linear algebra and optimization : an introduction
2. Linear transformations and linear systems
3. Eigenvectors and diagonalizable matrices
4. Optimization basics : a machine learning view
5. Advanced optimization solutions
6. Constrained optimization and duality
7. Singular value decomposition
8. Matrix factorization
9. The linear algebra of similarity
10. The linear algebra of graphs
11. Optimization in computational graphsExemplaires(0)
Disponibilité aucun exemplaire



