ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning and Its Applications

دانلود کتاب یادگیری ماشین و کاربردهای آن

Machine Learning and Its Applications

مشخصات کتاب

Machine Learning and Its Applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1138328227, 9781138328228 
ناشر: CRC Press 
سال نشر: 2020 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Machine Learning and Its Applications 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 یادگیری ماشین و کاربردهای آن 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.


توضیحاتی در مورد کتاب یادگیری ماشین و کاربردهای آن

در سال‌های اخیر، یادگیری ماشینی مورد توجه بسیاری قرار گرفته است. با توجه به پیشرفت در فناوری پردازنده و در دسترس بودن مقادیر زیادی داده، تکنیک های یادگیری ماشین نتایج شگفت انگیزی را در زمینه هایی مانند تشخیص اشیا یا پردازش زبان طبیعی ارائه کرده است. رویکردهای جدید، به عنوان مثال. یادگیری عمیق، نتایج پیشگامانه ای را در زمینه هایی مانند استخراج چند رسانه ای یا تشخیص صدا ارائه کرده است. یادگیری ماشینی در حال حاضر تقریباً در هر حوزه ای استفاده می شود و الگوریتم های یادگیری عمیق در بسیاری از دستگاه ها مانند تلفن های هوشمند، اتومبیل ها، هواپیماهای بدون سرنشین، تجهیزات مراقبت های بهداشتی یا دستگاه های خانه هوشمند وجود دارد. اینترنت، محاسبات ابری و اینترنت اشیا سونامی داده‌ها را تولید می‌کنند و یادگیری ماشینی روش‌هایی را برای تجزیه و تحلیل مؤثر داده‌ها و کشف دانش عملی فراهم می‌کند.

این کتاب رایج‌ترین تکنیک‌های یادگیری ماشینی مانند مدل‌های بیزی، ماشین‌های بردار پشتیبان، القای درخت تصمیم، تحلیل رگرسیون، و شبکه‌های عصبی مکرر و کانولوشن. ابتدا مقدمه ای بر اصول یادگیری ماشینی ارائه می کند. سپس روش های اساسی از جمله مبانی ریاضی را پوشش می دهد. بزرگترین بخش کتاب الگوریتم های رایج یادگیری ماشین و کاربردهای آن ها را ارائه می دهد. در نهایت، این کتاب چشم انداز برخی از پیشرفت‌های آینده و زمینه‌های تحقیقاتی جدید احتمالی یادگیری ماشین و هوش مصنوعی را به طور کلی ارائه می‌کند.

این کتاب مقدمه‌ای بر یادگیری ماشین است. نیازی به دانش قبلی در این زمینه ندارد. برخی از اصول اولیه ریاضی را پوشش می دهد، اما قصد دارد حتی بدون پیش زمینه ریاضی قابل درک باشد. می توان آن را به صورت عاقلانه خواند و قصد دارد قابل درک باشد، حتی زمانی که در ابتدا شروع نشده باشد. در نهایت، این کتاب همچنین قصد دارد یک کتاب مرجع باشد.

ویژگی‌های کلیدی:

مشکلات دنیای واقعی را که می‌توان با استفاده از یادگیری ماشین حل کرد، روش‌هایی را برای استفاده مستقیم از تکنیک‌های یادگیری ماشین ارائه می‌کند. مشکلات واقعی دنیای واقعی نشان می دهد که چگونه می توان تکنیک های یادگیری ماشین را با استفاده از چارچوب های مختلف مانند TensorFlow، MALLET، R به کار برد.


توضیحاتی درمورد کتاب به خارجی

In recent years, machine learning has gained a lot of interest. Due to the advances in processor technology and the availability of large amounts of data, machine learning techniques have provided astounding results in areas such as object recognition or natural language processing. New approaches, e.g. deep learning, have provided groundbreaking outcomes in fields such as multimedia mining or voice recognition. Machine learning is now used in virtually every domain and deep learning algorithms are present in many devices such as smartphones, cars, drones, healthcare equipment, or smart home devices. The Internet, cloud computing and the Internet of Things produce a tsunami of data and machine learning provides the methods to effectively analyze the data and discover actionable knowledge.

This book describes the most common machine learning techniques such as Bayesian models, support vector machines, decision tree induction, regression analysis, and recurrent and convolutional neural networks. It first gives an introduction into the principles of machine learning. It then covers the basic methods including the mathematical foundations. The biggest part of the book provides common machine learning algorithms and their applications. Finally, the book gives an outlook into some of the future developments and possible new research areas of machine learning and artificial intelligence in general.

This book is meant to be an introduction into machine learning. It does not require prior knowledge in this area. It covers some of the basic mathematical principle but intends to be understandable even without a background in mathematics. It can be read chapter wise and intends to be comprehensible, even when not starting in the beginning. Finally, it also intends to be a reference book.

Key Features:

Describes real world problems that can be solved using Machine Learning Provides methods for directly applying Machine Learning techniques to concrete real world problems Demonstrates how to apply Machine Learning techniques using different frameworks such as TensorFlow, MALLET, R



فهرست مطالب

Contents

Preface

SECTION I: INTRODUCTION

Introduction

Data mining

Data mining steps

Data collection

Data pre-processing

Data analysis

Data post-processing

Machine learning basics

Supervised learning

Unsupervised learning

Semi-supervised learning

Function approximation

Generative and discriminative models

Evaluation of learner

SECTION II: MACHINE LEARNING

Data pre-processing

Feature extraction

Sampling

Data transformation

Outlier removal

Data deduplication

Relevance filtering

Normalization, discretization and aggregation

Entity resolution

Supervised learning

Classification

Regression analysis

Logistic regression

Evaluation of learner

Evaluating a learner

Unsupervised learning

Types of clustering

k-means clustering

Hierarchical clustering

Visualizing clusters

Evaluation of clusters

Semi-supervised learning

7.1 Expectation maximization

7.2 Pseudo labeling

SECTION III: DEEP LEARNING

Deep Learning

8.1 Deep Learning Basics

8.2 Convolutional neural networks

8.3 Recurrent neural networks

8.4 Restricted Boltzmann machines

8.5 Deep belief networks

8.6 Deep autoencoders

SECTION IV: LEARNING TECHNIQUES

Learning techniques

Learning issues

Cross-validation

Ensemble learning

Reinforcement learning

Active learning

Machine teaching

Automated machine learning

SECTION V: MACHINE LEARNING APPLICATIONS

Machine Learning Applications

Anomaly detection

Biomedicale applications

Natural language processing

Other applications

Future development

Research directions

References

Index





نظرات کاربران