Adaptive Machine Learning Algorithms with Python: Solve Data Analytics and Machine Learning Problems on Edge Devices

یاد بگیرید که از الگوریتم‌های تطبیقی ​​برای حل مشکلات داده‌های جریانی در دنیای واقعی استفاده کنید. این کتاب بسیاری از چالش های پردازش داده را پوشش می دهد، از ساده تا پیچیده. در هر مرحله، بینشی در مورد موارد استفاده در دنیای واقعی به دست خواهید آورد، راه‌حل‌هایی را پیدا می‌کنید، کدهای مورد استفاده برای حل این مشکلات را بررسی می‌کنید، و الگوریتم‌های جدیدی را برای استفاده خود ایجاد می‌کنید.

نویسندگان چانچال چاترجی و ووانی پی. نمونه ها از استفاده از توابع ماتریس برای حل مسائل یادگیری ماشین و تجزیه و تحلیل داده تا مسائل محاسباتی لبه بحرانی را شامل می شوند. آنها داده های متغیر و غیر ایستا را با حداقل محاسبات، حافظه، تأخیر و پهنای باند مدیریت می کنند.

پس از اتمام این کتاب، درک کاملی از نحوه حل مشکلات یادگیری ماشین تطبیقی ​​و تجزیه و تحلیل داده خواهید داشت و می‌توانید الگوریتم‌های جدیدی را برای موارد استفاده خود استخراج کنید. همچنین راه‌حل‌هایی برای داده‌های متغیر با حجم بالا با ابعاد بالا در محیط محاسباتی کم و تأخیر کم پیدا خواهید کرد.

آنچه خواهید آموخت</ p>

• استفاده از الگوریتم‌های تطبیقی ​​برای کاربردها و مثال‌های عملی
• ویژگی‌های نمایش داده مربوطه و مدل‌های محاسباتی برای داده‌های چند بعدی متغیر با زمان را درک کنید
• استنتاج الگوریتم‌های تطبیقی ​​برای میانگین، میانه، کوواریانس، بردارهای ویژه ( PCA) و بردارهای ویژه تعمیم‌یافته با آزمایش‌هایی روی داده‌های واقعی
• الگوریتم‌های خود را سرعت بخشیده و آنها را در داده‌های ثابت و غیر ثابت دنیای واقعی استفاده کنید.
• تسلط بر کاربردهای الگوریتم‌های تطبیقی ​​در برنامه‌های محاسباتی دستگاه لبه بحرانی

Learn to use adaptive algorithms to solve real-world streaming data problems. This book covers a multitude of data processing challenges, ranging from the simple to the complex. At each step, you will gain insight into real-world use cases, find solutions, explore code used to solve these problems, and create new algorithms for your own use.

Authors Chanchal Chatterjee and Vwani P. Roychowdhury begin by introducing a common framework for creating adaptive algorithms, and demonstrating how to use it to address various streaming data issues. Examples range from using matrix functions to solve machine learning and data analysis problems to more critical edge computation problems. They handle time-varying, non-stationary data with minimal compute, memory, latency, and bandwidth. 

Upon finishing this book, you will have a solid understanding of how to solve adaptive machine learning and data analytics problems and be able to derive new algorithms for your own use cases. You will also come away with solutions to high volume time-varying data with high dimensionality in a low compute, low latency environment.

What You Will Learn

• Apply adaptive algorithms to practical applications and examples
• Understand the relevant data representation features and computational models for time-varying multi-dimensional data
• Derive adaptive algorithms for mean, median, covariance, eigenvectors (PCA) and generalized eigenvectors with experiments on real data
• Speed up your algorithms and put them to use on real-world stationary and non-stationary data
• Master the applications of adaptive algorithms on critical edge device computation applications