Applied Learning Algorithms for Intelligent IoT

این کتاب به وضوح تمام الگوریتم‌های امیدوارکننده و بالقوه یادگیری ماشین (ML) و یادگیری عمیق (DL) را از طریق مجموعه‌ای از موارد استفاده تجاری در دنیای واقعی و زمان واقعی نشان می‌دهد. ماشین‌ها و دستگاه‌ها را می‌توان برای خودآموزی و نشان دادن رفتار هوشمندانه توانمند کرد. همچنین، Big Data همراه با داده های زمان واقعی و زمان اجرا می تواند به بینش های شخصی، پیش بینی کننده، پیش بینی کننده و تجویزی منجر شود. این کتاب به بررسی موضوعات زیر می پردازد:

• ماشین‌ها و دستگاه‌های شناختی




< br>

• سیستم های فیزیکی سایبری (CPS)







• اینترنت اشیا ( IoT) و موارد استفاده صنعتی







• صنعت 4.0 برای تولید هوشمندتر







• بینش‌های پیش‌بینی‌کننده و تجویزی برای سیستم‌های هوشمندتر







• بینایی و هوش ماشین







• واسط های طبیعی







• K-به معنی الگوریتم خوشه بندی




< br>

• الگوریتم ماشین بردار پشتیبانی (SVM)







• الگوریتم‌های پیشینی< /li>
  
  
  
  
• رگرسیون خطی و لجستیک



الگوریتم‌های یادگیری کاربردی برای اینترنت اشیا هوشمند به‌روشنی الگوریتم‌های ML و DL را بیان می‌کند که می‌توانند برای کشف بینش‌های پیش‌بینی‌کننده و تجویزی از داده‌های بزرگ استفاده شوند. تبدیل داده‌های خام به اطلاعات و دانش مرتبط با در دسترس بودن پردازش و کاوی داده‌ها، الگوریتم‌های تحلیلی، پلتفرم‌ها، چارچوب‌ها و سایر شتاب‌دهنده‌های مورد بحث در کتاب، اهمیت بیشتری پیدا می‌کند. اکنون، با ظهور الگوریتم‌های یادگیری ماشین، حوزه تجزیه و تحلیل داده‌ها ناچار است به ارتفاعات جدیدی برسد.

این کتاب به عنوان راهنمای جامعی برای محققان هوش مصنوعی، اعضای هیئت علمی و متخصصان فناوری اطلاعات عمل خواهد کرد. هر فصل یک الگوریتم ML، منشاء، چالش‌ها و مزایای آن، و همچنین نمونه‌ای از کاربرد صنعت را برای توضیح دقیق الگوریتم مورد بحث قرار می‌دهد. بررسی دقیق و عمیق‌تر کتاب در الگوریتم‌های ML و DL با استفاده از یک مورد کاربردی عملی می‌تواند تحقیقات نوآورانه را تقویت کند.

This book vividly illustrates all the promising and potential machine learning (ML) and deep learning (DL) algorithms through a host of real-world and real-time business use cases. Machines and devices can be empowered to self-learn and exhibit intelligent behavior. Also, Big Data combined with real-time and runtime data can lead to personalized, prognostic, predictive, and prescriptive insights. This book examines the following topics:

• Cognitive machines and devices







• Cyber physical systems (CPS)







• The Internet of Things (IoT) and industrial use cases







• Industry 4.0 for smarter manufacturing







• Predictive and prescriptive insights for smarter systems







• Machine vision and intelligence







• Natural interfaces







• K-means clustering algorithm







• Support vector machine (SVM) algorithm







• A priori algorithms







• Linear and logistic regression

Applied Learning Algorithms for Intelligent IoT clearly articulates ML and DL algorithms that can be used to unearth predictive and prescriptive insights out of Big Data. Transforming raw data into information and relevant knowledge is gaining prominence with the availability of data processing and mining, analytics algorithms, platforms, frameworks, and other accelerators discussed in the book. Now, with the emergence of machine learning algorithms, the field of data analytics is bound to reach new heights.

This book will serve as a comprehensive guide for AI researchers, faculty members, and IT professionals. Every chapter will discuss one ML algorithm, its origin, challenges, and benefits, as well as a sample industry use case for explaining the algorithm in detail. The book’s detailed and deeper dive into ML and DL algorithms using a practical use case can foster innovative research.