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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Peter Wlodarczak 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
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.
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.
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
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