Livres sur le sujet « Probability learning »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs livres pour votre recherche sur le sujet « Probability learning ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les livres sur diverses disciplines et organisez correctement votre bibliographie.
Batanero, Carmen, Egan J. Chernoff, Joachim Engel, Hollylynne S. Lee et Ernesto Sánchez. Research on Teaching and Learning Probability. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-31625-3.
Texte intégralDasGupta, Anirban. Probability for Statistics and Machine Learning. New York, NY : Springer New York, 2011. http://dx.doi.org/10.1007/978-1-4419-9634-3.
Texte intégralPeck, Roxy. Statistics : Learning from data. Australia : Brooks/Cole, Cengage Learning, 2014.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham : Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-18545-9.
Texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-30717-6.
Texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-04648-3.
Texte intégralPowell, Warren B. Optimal learning. Hoboken, New Jersey : Wiley, 2012.
Trouver le texte intégralVapnik, Vladimir Naumovich. The Nature of Statistical Learning Theory. New York, NY : Springer New York, 1995.
Trouver le texte intégralDasGupta, Anirban. Probability for statistics and machine learning : Fundamentals and advanced topics. New York : Springer, 2011.
Trouver le texte intégralWan, Shibiao. Machine learning for protein subcellular localization prediction. Boston : De Gruyter, 2015.
Trouver le texte intégralVelleman, Paul F. Learning data analysis with Data desk. New York : W.H. Freeman, 1993.
Trouver le texte intégralVelleman, Paul F. Learning data analysis with Data desk. New York : W.H. Freeman, 1989.
Trouver le texte intégralLim, Chee Peng. An incremental adaptive network for on-line, supervised learning and probability estimation. Sheffield : University of Sheffield, Dept. of Automatic Control & Systems Engineering, 1995.
Trouver le texte intégralGabbay, Dov M. Abductive Reasoning and Learning. Dordrecht : Springer Netherlands, 2000.
Trouver le texte intégralSumma, Mireille Gettler. Statistical learning and data science. Boca Raton : CRC Press, 2012.
Trouver le texte intégralPalfrey, Thomas R. Testing game-theoretic models of free riding : New evidence on probability bias and learning. Cambridge, Mass : Dept. of Economics, Massachusetts Institute of Technology, 1990.
Trouver le texte intégralRasmussen, Carl Edward. Gaussian processes for machine learning. Cambridge, Mass : MIT Press, 2006.
Trouver le texte intégralRasmussen, Carl Edward. Gaussian processes for machine learning. Cambridge, MA : MIT Press, 2005.
Trouver le texte intégralVidyasagar, M. Learning and Generalisation : With Applications to Neural Networks. London : Springer London, 2003.
Trouver le texte intégralDehmer, Matthias. Statistical and machine learning approaches for network analysis. Hoboken, N.J : Wiley, 2012.
Trouver le texte intégralBerk, Richard. Criminal Justice Forecasts of Risk : A Machine Learning Approach. New York, NY : Springer New York, 2012.
Trouver le texte intégralThathachar, Mandayam A. L. Networks of learning automata : Techniques for online stochastic optimization. Boston : Kluwer Academic, 2004.
Trouver le texte intégralThathachar, Mandayam A. L. Networks of learning automata : Techniques for online stochastic optimization. Boston, MA : Kluwer Academic, 2003.
Trouver le texte intégralEveritt, Brian. The analysis of contingency tables. 2e éd. London : Chapman & Hall, 1992.
Trouver le texte intégralKoltchinskii, Vladimir. Oracle inequalities in empirical risk minimization and sparse recovery problems : École d'été de probabilités de Saint-Flour XXXVIII-2008. Berlin : Springer Verlag, 2011.
Trouver le texte intégralBaram, Yoram. Estimation and classification by sigmoids based on mutual information. [Washington, D.C : National Aeronautics and Space Administration, 1994.
Trouver le texte intégralDietrich, Albert, dir. Knowledge structures. Berlin : Springer-Verlag, 1994.
Trouver le texte intégralSanner, Scott. Recent Advances in Reinforcement Learning : 9th European Workshop, EWRL 2011, Athens, Greece, September 9-11, 2011, Revised Selected Papers. Berlin, Heidelberg : Springer Berlin Heidelberg, 2012.
Trouver le texte intégralFlach, Peter A. Machine Learning and Knowledge Discovery in Databases : European Conference, ECML PKDD 2012, Bristol, UK, September 24-28, 2012. Proceedings, Part I. Berlin, Heidelberg : Springer Berlin Heidelberg, 2012.
Trouver le texte intégralFlach, Peter A. Machine Learning and Knowledge Discovery in Databases : European Conference, ECML PKDD 2012, Bristol, UK, September 24-28, 2012. Proceedings, Part II. Berlin, Heidelberg : Springer Berlin Heidelberg, 2012.
Trouver le texte intégralPeck, Roxy, et Chris Olsen. Statistics : Learning from Data. Brooks/Cole, 2013.
Trouver le texte intégralPeck, Roxy, et Tom Short. Statistics : Learning from Data. Brooks/Cole, 2017.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2019.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer International Publishing AG, 2022.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2016.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer London, Limited, 2016.
Trouver le texte intégralUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2020.
Trouver le texte intégralPeck, Roxy. Statistics : Learning from Data. Cengage Learning, 2023.
Trouver le texte intégralPeck, Roxy. Statistics : Learning from Data. Brooks/Cole, 2013.
Trouver le texte intégralThe Art of Statistics : Learning from Data. Pelican Books, 2019.
Trouver le texte intégralThe Art of Statistics : Learning from Data. Great Britain : Pelican Books, 2019.
Trouver le texte intégralResearch Institute for Advanced Computer Science (U.S.), dir. Bayesian learning. [Moffett Field, Calif.] : Research Institute for Advanced Computer Science, NASA Ames Research Center, 1989.
Trouver le texte intégralKnox, Steven W. Machine Learning : a Concise Introduction (Wiley Series in Probability and Statistics). Wiley, 2018.
Trouver le texte intégralJones, Graham A. Exploring Probability in School : Challenges for Teaching and Learning. Springer, 2010.
Trouver le texte intégralBatanero, Carmen, et Egan J. Chernoff. Teaching and Learning Stochastics : Advances in Probability Education Research. Springer, 2018.
Trouver le texte intégralJones, Graham A. Exploring Probability in School : Challenges for Teaching and Learning. Springer, 2005.
Trouver le texte intégralBatanero, Carmen, et Egan J. Chernoff. Teaching and Learning Stochastics : Advances in Probability Education Research. Springer, 2019.
Trouver le texte intégralDuerr, Oliver, et Beate Sick. Probabilistic Deep Learning : With Python, Keras and TensorFlow Probability. Manning Publications Co. LLC, 2020.
Trouver le texte intégralERIC Clearinghouse for Science, Mathematics, and Environmental Education., dir. Resources for teaching and learning about probability and statistics. [Columbus, Ohio] : ERIC Clearinghouse for Science, Mathematics and Environmental Education, 1999.
Trouver le texte intégralDuerr, Oliver, Beate Sick et Elvis Murina. Probabilistic Deep Learning : With Python, Keras and TensorFlow Probability. Manning Publications, 2020.
Trouver le texte intégral