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) : 50,000



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

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی