مشخصات کتاب

Machine Learning with Swift: Artificial Intelligence for iOS

ویرایش:  
نویسندگان: Baiev. Oleksandr, Sosnovshchenko. Oleksandr  
سری:  
ISBN (شابک) : 9781787121515, 1787123529 
ناشر: Packt Publishing, Limited 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 40 مگابایت 

کلمات کلیدی مربوط به کتاب یادگیری ماشین با سوئیفت: هوش مصنوعی برای iOS: نرم افزار کاربردی--توسعه،هوش مصنوعی،کامپیوتر-هوش (AI) و معناشناسی،کامپیوتر--شبکه های عصبی،کامپیوتر--سیستم های عامل--Macintosh،یادگیری ماشین،سیستم عامل مکینتاش،شبکه های عصبی و سیستم های فازی،سوئیفت (برنامه کامپیوتری) زبان)، کتاب‌های الکترونیک، iOS (منبع الکترونیکی)، نرم‌افزار کاربردی - توسعه، رایانه‌ها - شبکه‌های عصبی، رایانه‌ها - سیستم‌های عامل - مکینتاش، رایانه‌ها - هوش (AI) و معناشناسی، IOS (منبع الکترونیکی)

در صورت تبدیل فایل کتاب Machine Learning with Swift: Artificial Intelligence for iOS 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 با سوئیفت: هوش مصنوعی برای iOS 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 با سوئیفت: هوش مصنوعی برای iOS

مقدمه صفحه عنوان؛ حق چاپ و اعتبار؛ Packt Upsell; مشارکت کنندگان؛ فهرست مطالب؛ پیشگفتار؛ فصل 1: شروع به یادگیری ماشین. هوش مصنوعی چیست؟ انگیزه پشت ML; ML چیست؟ کاربردهای ML; پردازش سیگنال دیجیتال (DSP)؛ بینایی کامپیوتری؛ پردازش زبان طبیعی (NLP)؛ سایر کاربردهای ML؛ استفاده از ML برای ساخت برنامه‌های هوشمند iOS. آشنایی با داده های خود؛ امکانات؛ انواع ویژگی ها؛ انتخاب یک مجموعه خوب از ویژگی ها؛ دریافت مجموعه داده؛ پیش پردازش داده ها؛ انتخاب مدل؛ انواع الگوریتم های ML; یادگیری تحت نظارت؛ یادگیری بدون نظارت. یادگیری ماشینی به موضوعی داغ برای توسعه دهندگانی تبدیل شده است که می خواهند عملکرد هوشمندی را به برنامه های خود منتقل کنند. در این کتاب، ما به شما نشان خواهیم داد که چگونه کتابخانه‌های مختلف یادگیری ماشینی را که برای توسعه‌دهندگان iOS در دسترس است، ترکیب کنید. شما به سرعت با اصول یادگیری ماشینی آشنا خواهید شد و الگوریتم های مختلفی را با سوئیفت پیاده سازی خواهید کرد.

توضیحاتی درمورد کتاب به خارجی

Intro; Title Page; Copyright and Credits; Packt Upsell; Contributors; Table of Contents; Preface; Chapter 1: Getting Started with Machine Learning; What is AI?; The motivation behind ML; What is ML?; Applications of ML; Digital signal processing (DSP); Computer vision; Natural language processing (NLP); Other applications of ML; Using ML to build smarter iOS applications; Getting to know your data; Features; Types of features; Choosing a good set of features; Getting the dataset; Data preprocessing; Choosing a model; Types of ML algorithms; Supervised learning; Unsupervised learning.;Machine learning has become a hot topic for developers who want to impart intelligent functionality to their applications. In this book, we'll show you how to incorporate various machine learning libraries available for iOS developers. You'll quickly get acquainted with the machine learning fundamentals and implement various algorithms with Swift.

فهرست مطالب

Intro
 Title Page
 Copyright and Credits
 Packt Upsell
 Contributors
 Table of Contents
 Preface
 Chapter 1: Getting Started with Machine Learning
 What is AI?
 The motivation behind ML
 What is ML?
 Applications of ML
 Digital signal processing (DSP)
 Computer vision
 Natural language processing (NLP)
 Other applications of ML
 Using ML to build smarter iOS applications
 Getting to know your data
 Features
 Types of features
 Choosing a good set of features
 Getting the dataset
 Data preprocessing
 Choosing a model
 Types of ML algorithms
 Supervised learning
 Unsupervised learning. Reinforcement learningMathematical optimization â#x80
#x93
 how learning works
 Mobile versus server-side ML
 Understanding mobile platform limitations
 Summary
 Bibliography
 Chapter 2: Classification â#x80
#x93
 Decision Tree Learning
 Machine learning toolbox
 Prototyping the first machine learning app
 Tools
 Setting up a machine learning environment
 IPython notebook crash course
 Time to practice
 Machine learning for extra-terrestrial life explorers
 Loading the dataset
 Exploratory data analysis
 Data preprocessing
 Converting categorical variables
 Separating features from labels
 One-hot encoding. Splitting the dataDecision trees everywhere
 Training the decision tree classifier
 Tree visualization
 Making predictions
 Evaluating accuracy
 Tuning hyperparameters
 Understanding model capacity trade-offs
 How decision tree learning works
 Building a tree automatically from data
 Combinatorial entropy
 Evaluating performance of the model with data
 Precision, recall, and F1-score
 K-fold cross-validation
 Confusion matrix
 Implementing first machine learning app in Swift
 Introducing Core ML
 Core ML features
 Exporting the model for iOS
 Ensemble learning random forest. Training the random forestRandom forest accuracy evaluation
 Importing the Core ML model into an iOS project
 Evaluating performance of the model on iOS
 Calculating the confusion matrix
 Decision tree learning pros and cons
 Summary
 Chapter 3: K-Nearest Neighbors Classifier
 Calculating the distance
 DTW
 Implementing DTW in Swift
 Using instance-based models for classification and clustering
 People motion recognition using inertial sensors
 Understanding the KNN algorithm
 Implementing KNN in Swift
 Recognizing human motion using KNN
 Cold start problem
 Balanced dataset. Choosing a good kReasoning in high-dimensional spaces
 KNN pros
 KNN cons
 Improving our solution
 Probabilistic interpretation
 More data sources
 Smarter time series chunking
 Hardware acceleration
 Trees to speed up the inference
 Utilizing state transitions
 Summary
 Bibliography
 Chapter 4: K-Means Clustering
 Unsupervised learning
 K-means clustering
 Implementing k-means in Swift
 Update step
 Assignment step
 Clustering objects on a map
 Choosing the number of clusters
 K-means clustering â#x80
#x93
 problems
 K-means++
 Image segmentation using k-means
 Summary.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Retail Worker Politics, Race and Consumption in South Africa

دانلود کتاب Planning and Design of Airports

دانلود کتاب CSS, DHTML and JavaScript

دانلود کتاب Understanding Flash MX 2004 ActionScript 2: Basic techniques for creatives

دانلود کتاب Sharecropping and sharecropper's struggles in Bengal, 1930-1950