MATLAB Machine Learning

ویرایش: 1 
نویسندگان: Michael Paluszek. Stephanie Thomas (auth.)  
سری:  
ISBN (شابک) : 9781484222492, 9781484222508 
ناشر: Apress 
سال نشر: 2017 
تعداد صفحات: 335 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 38,000



این کتاب یک راهنمای جامع برای یادگیری ماشین با مثال های کار شده در متلب است. با مروری بر تاریخچه هوش مصنوعی و کنترل خودکار و چگونگی رشد حوزه یادگیری ماشینی از اینها شروع می شود. این کتاب توضیحاتی را در مورد تمام حوزه‌های اصلی در یادگیری ماشین ارائه می‌کند.

این کتاب بسته‌های تجاری موجود برای یادگیری ماشین را بررسی می‌کند و نشان می‌دهد که چگونه آن‌ها در این زمینه قرار می‌گیرند. سپس این کتاب نشان می‌دهد که چگونه می‌توان از MATLAB برای حل مشکلات یادگیری ماشین استفاده کرد و چگونه گرافیک MATLAB می‌تواند درک برنامه‌نویس از نتایج را افزایش دهد و به کاربران نرم‌افزارشان کمک کند تا نتایج را درک کنند.
یادگیری ماشین می‌تواند بسیار ریاضی باشد. ریاضیات برای هر منطقه به شکل واضح و مختصر معرفی شده است تا حتی خوانندگان معمولی بتوانند ریاضیات را درک کنند. خوانندگان از تمام حوزه های مهندسی، ارتباط با آنچه می دانند و فناوری جدید را خواهند آموخت.
این کتاب سپس راه حل های کاملی را در MATLAB برای چندین مشکل مهم در یادگیری ماشین از جمله شناسایی چهره، رانندگی خودکار، و طبقه بندی داده ها ارائه می دهد. کد منبع کامل برای همه مثال‌ها و کاربردهای کتاب ارائه شده است.

آنچه یاد خواهید گرفت:

• مروری بر حوزه یادگیری ماشینی< br>
• بسته های تجاری و متن باز در متلب
  
• نحوه استفاده از متلب برای برنامه نویسی و ساخت برنامه های یادگیری ماشین
  
• گرافیک متلب برای یادگیری ماشین
  
• نمونه های دنیای واقعی عملی در MATLAB برای کاربردهای اصلی یادگیری ماشین در داده های بزرگ
  

این کیست کتاب برای:
مخاطبان اصلی مهندسان و دانشجویان مهندسی هستند که می خواهند مقدمه ای جامع و عملی برای یادگیری ماشین داشته باشند.

This book is a comprehensive guide to machine learning with worked examples in MATLAB. It starts with an overview of the history of Artificial Intelligence and automatic control and how the field of machine learning grew from these. It provides descriptions of all major areas in machine learning.

The book reviews commercially available packages for machine learning and shows how they fit into the field. The book then shows how MATLAB can be used to solve machine learning problems and how MATLAB graphics can enhance the programmer’s understanding of the results and help users of their software grasp the results.
Machine Learning can be very mathematical. The mathematics for each area is introduced in a clear and concise form so that even casual readers can understand the math. Readers from all areas of engineering will see connections to what they know and will learn new technology.
The book then provides complete solutions in MATLAB for several important problems in machine learning including face identification, autonomous driving, and data classification. Full source code is provided for all of the examples and applications in the book.

What you'll learn:

• An overview of the field of machine learning
  
• Commercial and open source packages in MATLAB
  
• How to use MATLAB for programming and building machine learning applications
  
• MATLAB graphics for machine learning
  
• Practical real world examples in MATLAB for major applications of machine learning in big data
  

Who is this book for:
The primary audiences are engineers and engineering students wanting a comprehensive and practical introduction to machine learning.

Front Matter....Pages I-XIX
Front Matter....Pages 1-1
An Overview of Machine Learning....Pages 3-15
The History of Autonomous Learning....Pages 17-23
Software for Machine Learning....Pages 25-31
Front Matter....Pages 33-33
Representation of Data for Machine Learning in MATLAB....Pages 35-48
MATLAB Graphics....Pages 49-84
Machine Learning Examples in MATLAB....Pages 85-88
Face Recognition with Deep Learning....Pages 89-112
Data Classification....Pages 113-141
Classification of Numbers Using Neural Networks....Pages 143-167
Kalman Filters....Pages 169-205
Adaptive Control....Pages 207-268
Autonomous Driving....Pages 269-322
Back Matter....Pages 323-326