کلمات کلیدی مربوط به کتاب از برازش منحنی تا یادگیری ماشین: راهنمای گویا برای تجزیه و تحلیل داده های علمی و هوش محاسباتی: هوش مصنوعی (شامل رباتیک)، ریاضیات کاربردی/روش های محاسباتی مهندسی، داده کاوی و کشف دانش، داده های بزرگ/تحلیل، بهینه سازی
در صورت تبدیل فایل کتاب From Curve Fitting to Machine Learning: An Illustrative Guide to Scientific Data Analysis and Computational Intelligence به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب از برازش منحنی تا یادگیری ماشین: راهنمای گویا برای تجزیه و تحلیل داده های علمی و هوش محاسباتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب موفق در ویرایش دوم خود یک راهنمای تعاملی و گویا از
برازش منحنی دوبعدی تا خوشهبندی چند بعدی و یادگیری ماشین با
شبکههای عصبی یا ماشینهای بردار پشتیبانی ارائه میدهد. در طول
مسیر موضوعاتی مانند بهینه سازی ریاضی یا الگوریتم های تکاملی لمس
می شوند. همه مفاهیم و ایدهها به صورت واضح با استدلالهای قابل
قبول و کمی ریاضیات ابتدایی ترسیم شده است. هدف اصلی این است که
تا حد امکان گویا باشیم بدون اینکه مشکلات و مشکلات را پنهان
کنیم، بلکه آنها را برطرف کنیم. ویژگی یک کتاب آشپزی گویا با
بخشهای خاصی تکمیل میشود که به سؤالات اساسیتری مانند رابطه
بین یادگیری ماشین و هوش انسانی میپردازد.
همه موضوعات به طور کامل با پلتفرم محاسباتی Mathematica و هوش
محاسباتی نشان داده شدهاند. Packages (CIP)، یک کتابخانه تابع
سطح بالا که با زبان برنامه نویسی Mathematica در بالای
الگوریتم های Mathematica توسعه یافته است. CIP منبع باز است و
کدهای تفصیلی استفاده شده در سراسر کتاب به رایگان در دسترس
است.
خوانندگان هدف دانشجویان علوم و مهندسی (کامپیوتر) و همچنین
شاغلین علمی در صنعت و دانشگاه هستند که شایسته آن هستند. یک
مقدمه گویا خوانندگان با مهارت های برنامه نویسی می توانند به
راحتی کد ارائه شده را پورت یا سفارشی کنند. "از برازش منحنی
تا یادگیری ماشین" کتاب مفیدی است... این کتاب حاوی فرمولهای
اولیه برازش منحنی و موضوعات مرتبط و مواردی است که در بسیاری
از کتابها گم شده است، کدی برای بازتولید نتایج .
در مجموع این یک کتاب جالب و مفید هم برای خوانندگان تازه کار
و هم برای خوانندگان متخصص است. برای تازه کارها یک کتاب
مقدماتی خوب است و متخصص از مثال ها و کدهای کاری بسیار
قدردانی خواهد کرد. Leslie A. Piegl (بررسی نسخه اول، 2012).
This successful book provides in its second edition an
interactive and illustrative guide from two-dimensional curve
fitting to multidimensional clustering and machine learning
with neural networks or support vector machines. Along the way
topics like mathematical optimization or evolutionary
algorithms are touched. All concepts and ideas are outlined in
a clear cut manner with graphically depicted plausibility
arguments and a little elementary mathematics.
The major topics are extensively outlined with exploratory
examples and applications. The primary goal is to be as
illustrative as possible without hiding problems and pitfalls
but to address them. The character of an illustrative
cookbook is complemented with specific sections that address
more fundamental questions like the relation between machine
learning and human intelligence.
All topics are completely demonstrated with the computing
platform Mathematica and the Computational Intelligence
Packages (CIP), a high-level function library developed
with Mathematica's programming language on top of
Mathematica's algorithms. CIP is open-source and the
detailed code used throughout the book is freely
accessible.
The target readerships are students of (computer) science
and engineering as well as scientific practitioners in
industry and academia who deserve an illustrative
introduction. Readers with programming skills may easily
port or customize the provided code. "'From curve fitting
to machine learning' is ... a useful book. ... It
contains the basic formulas of curve fitting and related
subjects and throws in, what is missing in so many books,
the code to reproduce the results.
All in all this is an interesting and useful book both
for novice as well as expert readers. For the novice it
is a good introductory book and the expert will
appreciate the many examples and working code". Leslie A.
Piegl (Review of the first edition, 2012).
Front Matter....Pages i-xv
Introduction....Pages 1-59
Curve Fitting....Pages 61-155
Clustering....Pages 157-228
Machine Learning....Pages 229-406
Discussion....Pages 407-435
Back Matter....Pages 437-498