دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Veljko Milutinovic, Nenad Mitic, Aleksandar Kartelj, Milos Kotlar سری: Advances in Systems Analysis, Software Engineering, and High Performance Computing (ASASEHPC) ISBN (شابک) : 1799883523, 9781799883524 ناشر: IGI Global سال نشر: 2022 تعداد صفحات: 296 [306] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 Mb
در صورت تبدیل فایل کتاب Implementation of Machine Learning Algorithms Using Control-Flow and Dataflow Paradigms 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 پیاده سازی الگوریتم های یادگیری ماشین با استفاده از پارادایم های کنترل جریان و جریان داده 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.
بر اساس ادبیات کنونی و پیشرفتهای پیشرفته در زمینه یادگیری ماشین، چهار الگوریتم وجود دارد که استفاده از آنها در حوزههای کاربردی جدید باید مورد بررسی قرار گیرد: شبکههای عصبی، الگوریتمهای القایی قوانین، الگوریتمهای مبتنی بر درخت و الگوریتمهای مبتنی بر چگالی. تعدادی از الگوریتم های مرتبط با یادگیری ماشین از این چهار الگوریتم استخراج شده اند. در نتیجه، آنها روش های زیربنایی عالی برای استخراج دانش پنهان از داده های بدون ساختار را به عنوان وظایف داده کاوی ضروری نشان می دهند. پیادهسازی الگوریتمهای یادگیری ماشین با استفاده از پارادایمهای Control-Flow و Dataflow الگوریتمهای دادهکاوی پرکاربرد را ارائه میکند و مزایا و معایب، روشهای ریاضی، کاربردها، پیادهسازیهای کارآمد انرژی و موارد دیگر را توضیح میدهد. این تحقیق شتاب دهنده های کارآمد انرژی را برای الگوریتم های یادگیری ماشین ارائه می دهد. این کتاب با پوشش موضوعاتی مانند اجرای کنترل-جریان، محاسبات تقریبی و الگوریتم های درخت تصمیم، منبعی ضروری برای دانشمندان کامپیوتر، مهندسان، دانشجویان و مربیان آموزش عالی، محققان و دانشگاهیان است.
Based on current literature and cutting-edge advances in the machine learning field, there are four algorithms whose usage in new application domains must be explored: neural networks, rule induction algorithms, tree-based algorithms, and density-based algorithms. A number of machine learning related algorithms have been derived from these four algorithms. Consequently, they represent excellent underlying methods for extracting hidden knowledge from unstructured data, as essential data mining tasks. Implementation of Machine Learning Algorithms Using Control-Flow and Dataflow Paradigms presents widely used data-mining algorithms and explains their advantages and disadvantages, their mathematical treatment, applications, energy efficient implementations, and more. It presents research of energy efficient accelerators for machine learning algorithms. Covering topics such as control-flow implementation, approximate computing, and decision tree algorithms, this book is an essential resource for computer scientists, engineers, students and educators of higher education, researchers, and academicians.
Cover Title Page Copyright Page Book Series Table of Contents Preface Introduction Chapter 1: Introduction to Data Mining Chapter 2: Classification Algorithms and Control-Flow Implementation Chapter 3: Classification Algorithms and Dataflow Implementation Chapter 4: Scientific Applications of Machine Learning Algorithms Chapter 5: Business and Industrial Applications of Machine Learning Algorithms Chapter 6: Implementation Details of Neural Networks Using Dataflow Chapter 7: Implementation Details of Decision Tree Algorithms Using Dataflow Chapter 8: Implementation Details of Rule-Based Algorithms Using Dataflow Chapter 9: Implementation Details of Density-Based Algorithms Using Dataflow Chapter 10: Issues Related to Acceleration of Algorithms Conclusion Glossary Related Readings About the Authors Index