Книги з теми "Probability learning"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся з топ-50 книг для дослідження на тему "Probability learning".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Переглядайте книги для різних дисциплін та оформлюйте правильно вашу бібліографію.
Batanero, Carmen, Egan J. Chernoff, Joachim Engel, Hollylynne S. Lee, and Ernesto Sánchez. Research on Teaching and Learning Probability. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-31625-3.
Повний текст джерелаDasGupta, 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.
Повний текст джерелаPeck, Roxy. Statistics: Learning from data. Australia: Brooks/Cole, Cengage Learning, 2014.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-18545-9.
Повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-30717-6.
Повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-04648-3.
Повний текст джерелаPowell, Warren B. Optimal learning. Hoboken, New Jersey: Wiley, 2012.
Знайти повний текст джерелаVapnik, Vladimir Naumovich. The Nature of Statistical Learning Theory. New York, NY: Springer New York, 1995.
Знайти повний текст джерелаDasGupta, Anirban. Probability for statistics and machine learning: Fundamentals and advanced topics. New York: Springer, 2011.
Знайти повний текст джерелаWan, Shibiao. Machine learning for protein subcellular localization prediction. Boston: De Gruyter, 2015.
Знайти повний текст джерелаVelleman, Paul F. Learning data analysis with Data desk. New York: W.H. Freeman, 1993.
Знайти повний текст джерелаVelleman, Paul F. Learning data analysis with Data desk. New York: W.H. Freeman, 1989.
Знайти повний текст джерелаLim, 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.
Знайти повний текст джерелаGabbay, Dov M. Abductive Reasoning and Learning. Dordrecht: Springer Netherlands, 2000.
Знайти повний текст джерелаSumma, Mireille Gettler. Statistical learning and data science. Boca Raton: CRC Press, 2012.
Знайти повний текст джерелаPalfrey, 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.
Знайти повний текст джерелаRasmussen, Carl Edward. Gaussian processes for machine learning. Cambridge, Mass: MIT Press, 2006.
Знайти повний текст джерелаRasmussen, Carl Edward. Gaussian processes for machine learning. Cambridge, MA: MIT Press, 2005.
Знайти повний текст джерелаVidyasagar, M. Learning and Generalisation: With Applications to Neural Networks. London: Springer London, 2003.
Знайти повний текст джерелаDehmer, Matthias. Statistical and machine learning approaches for network analysis. Hoboken, N.J: Wiley, 2012.
Знайти повний текст джерелаBerk, Richard. Criminal Justice Forecasts of Risk: A Machine Learning Approach. New York, NY: Springer New York, 2012.
Знайти повний текст джерелаThathachar, Mandayam A. L. Networks of learning automata: Techniques for online stochastic optimization. Boston: Kluwer Academic, 2004.
Знайти повний текст джерелаThathachar, Mandayam A. L. Networks of learning automata: Techniques for online stochastic optimization. Boston, MA: Kluwer Academic, 2003.
Знайти повний текст джерелаEveritt, Brian. The analysis of contingency tables. 2nd ed. London: Chapman & Hall, 1992.
Знайти повний текст джерелаKoltchinskii, 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.
Знайти повний текст джерелаBaram, Yoram. Estimation and classification by sigmoids based on mutual information. [Washington, D.C: National Aeronautics and Space Administration, 1994.
Знайти повний текст джерелаDietrich, Albert, ed. Knowledge structures. Berlin: Springer-Verlag, 1994.
Знайти повний текст джерелаSanner, 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.
Знайти повний текст джерелаFlach, 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.
Знайти повний текст джерелаFlach, 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.
Знайти повний текст джерелаPeck, Roxy, and Chris Olsen. Statistics: Learning from Data. Brooks/Cole, 2013.
Знайти повний текст джерелаPeck, Roxy, and Tom Short. Statistics: Learning from Data. Brooks/Cole, 2017.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2019.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer International Publishing AG, 2022.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2016.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer London, Limited, 2016.
Знайти повний текст джерелаUnpingco, José. Python for Probability, Statistics, and Machine Learning. Springer, 2020.
Знайти повний текст джерелаPeck, Roxy. Statistics: Learning from Data. Cengage Learning, 2023.
Знайти повний текст джерелаPeck, Roxy. Statistics: Learning from Data. Brooks/Cole, 2013.
Знайти повний текст джерелаThe Art of Statistics: Learning from Data. Pelican Books, 2019.
Знайти повний текст джерелаThe Art of Statistics: Learning from Data. Great Britain: Pelican Books, 2019.
Знайти повний текст джерелаResearch Institute for Advanced Computer Science (U.S.), ed. Bayesian learning. [Moffett Field, Calif.]: Research Institute for Advanced Computer Science, NASA Ames Research Center, 1989.
Знайти повний текст джерелаKnox, Steven W. Machine Learning: a Concise Introduction (Wiley Series in Probability and Statistics). Wiley, 2018.
Знайти повний текст джерелаJones, Graham A. Exploring Probability in School: Challenges for Teaching and Learning. Springer, 2010.
Знайти повний текст джерелаBatanero, Carmen, and Egan J. Chernoff. Teaching and Learning Stochastics: Advances in Probability Education Research. Springer, 2018.
Знайти повний текст джерелаJones, Graham A. Exploring Probability in School: Challenges for Teaching and Learning. Springer, 2005.
Знайти повний текст джерелаBatanero, Carmen, and Egan J. Chernoff. Teaching and Learning Stochastics: Advances in Probability Education Research. Springer, 2019.
Знайти повний текст джерелаDuerr, Oliver, and Beate Sick. Probabilistic Deep Learning: With Python, Keras and TensorFlow Probability. Manning Publications Co. LLC, 2020.
Знайти повний текст джерелаERIC Clearinghouse for Science, Mathematics, and Environmental Education., ed. Resources for teaching and learning about probability and statistics. [Columbus, Ohio]: ERIC Clearinghouse for Science, Mathematics and Environmental Education, 1999.
Знайти повний текст джерелаDuerr, Oliver, Beate Sick, and Elvis Murina. Probabilistic Deep Learning: With Python, Keras and TensorFlow Probability. Manning Publications, 2020.
Знайти повний текст джерела