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: 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.
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.
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.
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.