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: Ethem Alpaydin
سری:
ناشر: The MIT Press
سال نشر: 2017
تعداد صفحات: 225
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Machine Learning. The New AI 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 فراگیری ماشین. هوش مصنوعی جدید 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.
امروزه، یادگیری ماشین زیربنای طیف وسیعی از برنامههای کاربردی
است که ما هر روز از آنها استفاده میکنیم، از توصیههای محصول
گرفته تا تشخیص صدا - و همچنین برخی از برنامههایی که هنوز
روزانه استفاده نمیکنیم، از جمله خودروهای بدون راننده. این اساس
رویکرد جدید در محاسبات است که در آن ما برنامه نمی نویسیم، بلکه
داده ها را جمع آوری می کنیم، ایده این است که الگوریتم های وظایف
را به طور خودکار از داده ها یاد بگیریم. با فراگیرتر شدن
دستگاههای محاسباتی، بخش بزرگتری از زندگی و کار ما بهصورت
دیجیتالی ثبت میشود، و با بزرگتر شدن «دادههای بزرگ»، نظریه
یادگیری ماشین - پایه و اساس تلاشها برای پردازش این دادهها به
دانش - نیز پیشرفته در این کتاب، Ethem Alpaydin، کارشناس یادگیری
ماشین، مروری مختصر از موضوع را برای خوانندگان عمومی ارائه
میکند، تکامل آن را شرح میدهد، الگوریتمهای مهم یادگیری را
توضیح میدهد، و نمونهای از کاربردها را ارائه میدهد.
Alpaydin شرحی از چگونگی پیشرفت فناوری دیجیتال ارائه میکند. از
مینفریمهای پرشمار گرفته تا دستگاههای تلفن همراه، رونق
یادگیری ماشینی امروزی را در چارچوب قرار میدهد. او اصول یادگیری
ماشین و برخی کاربردهای استفاده از الگوریتمهای یادگیری ماشین را
برای شناسایی الگوی شبکههای عصبی مصنوعی با الهام از
الگوریتمهای مغز انسان که ارتباط بین نمونهها را یاد میگیرند،
با کاربردهایی مانند تقسیمبندی مشتری و توصیههای یادگیری و
یادگیری تقویتی، زمانی که مستقل است، توضیح میدهد. نماینده می
آموزد که برای به حداکثر رساندن پاداش و به حداقل رساندن جریمه
عمل کند. سپس Alpaydin برخی جهتگیریهای آینده را برای یادگیری
ماشین و حوزه جدید «علم داده» در نظر میگیرد و مفاهیم اخلاقی و
قانونی را برای حفظ حریم خصوصی و امنیت دادهها مورد بحث قرار
میدهد.
Today, machine learning underlies a range of applications we
use every day, from product recommendations to voice
recognition -- as well as some we dont yet use everyday,
including driverless cars. It is the basis of the new approach
in computing where we do not write programs but collect data
the idea is to learn the algorithms for the tasks automatically
from data. As computing devices grow more ubiquitous, a larger
part of our lives and work is recorded digitally, and as «Big
Data» has gotten bigger, the theory of machine learning -- the
foundation of efforts to process that data into knowledge --
has also advanced. In this book, machine learning expert Ethem
Alpaydin offers a concise overview of the subject for the
general reader, describing its evolution, explaining important
learning algorithms, and presenting example applications.
Alpaydin offers an account of how digital technology advanced
from number-crunching mainframes to mobile devices, putting
todays machine learning boom in context. He describes the
basics of machine learning and some applications the use of
machine learning algorithms for pattern recognition artificial
neural networks inspired by the human brain algorithms that
learn associations between instances, with such applications as
customer segmentation and learning recommendations and
reinforcement learning, when an autonomous agent learns act so
as to maximize reward and minimize penalty. Alpaydin then
considers some future directions for machine learning and the
new field of «data science,» and discusses the ethical and
legal implications for data privacy and security.