دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Principles of Soft Computing Using Python Programming : Learn How to Deploy Soft Computing Models in Real World Applications
دانلود کتاب اصول محاسبات نرم با استفاده از برنامه نویسی پایتون: نحوه استقرار مدل های محاسبات نرم را در برنامه های کاربردی دنیای واقعی بیاموزید
مشخصات کتاب
Principles of Soft Computing Using Python Programming : Learn How to Deploy Soft Computing Models in Real World Applications
ویرایش:
نویسندگان: Gypsy Nandi
سری:
ISBN (شابک) : 9781394173136
ناشر: Wiley
سال نشر: 2023
تعداد صفحات: 348
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
قیمت کتاب (تومان) : 48,000
در صورت تبدیل فایل کتاب Principles of Soft Computing Using Python Programming : Learn How to Deploy Soft Computing Models in Real World 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 اصول محاسبات نرم با استفاده از برنامه نویسی پایتون: نحوه استقرار مدل های محاسبات نرم را در برنامه های کاربردی دنیای واقعی بیاموزید 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 اصول محاسبات نرم با استفاده از برنامه نویسی پایتون: نحوه استقرار مدل های محاسبات نرم را در برنامه های کاربردی دنیای واقعی بیاموزید
راهنمای قابل دسترس برای تکنیک های انقلابی محاسبات نرم.\r\n\r\nمحاسبات نرم یک رویکرد محاسباتی است که برای تکرار ظرفیت منحصر به فرد ذهن انسان برای ادغام عدم قطعیت و عدم دقت در استدلال خود طراحی شده است. این به طور منحصر به فردی برای عملیات محاسباتی مناسب است که در آن مدل های تحلیلی سفت و سخت نمی توانند تنوع و ابهام راه حل های ممکن را در نظر بگیرند. همانطور که یادگیری ماشین و هوش مصنوعی بیشتر و بیشتر در چشم انداز محاسبات برجسته می شوند، پتانسیل تکنیک های محاسبات نرم برای متحول کردن محاسبات هرگز بیشتر از این نبوده است.\r\n\r\nاصول محاسبات نرم با استفاده از برنامه نویسی پایتون دانش مورد نیاز برای استفاده از مدل ها و تکنیک های محاسبات نرم را در مسائل محاسباتی واقعی در اختیار خوانندگان قرار می دهد. با شروع یک بحث اساسی در مورد محاسبات نرم یا فازی و تفاوت‌های آن با محاسبات سخت، مدل‌های مختلف را برای محاسبات نرم و کاربردهای متعدد آن‌ها، چه به صورت نشان‌داده‌شده و چه تئوری، توصیف می‌کند. نتیجه مجموعه ای از ابزارها با پتانسیل تولید راه حل های جدید برای سخت ترین مسائل محاسباتی است.\r\n\r\nمحاسبات نرم ابزاری حیاتی است که برای انجام چندین عملیات محاسباتی استفاده می شود. از یک یا چند مدل یا تکنیک محاسباتی برای ایجاد نتایج بهینه استفاده می کند. برای درک این مفهوم، اجازه دهید ابتدا ایده خود را در مورد محاسبات روشن کنیم. در هر عملیات محاسباتی، ورودی‌ها به مدل محاسباتی برای انجام برخی از عملیات‌ها وارد می‌شوند که بر اساس آن نتایج بر این اساس تولید می‌شوند. در زمینه محاسبات، ورودی ارائه شده برای محاسبات را پیشین و خروجی تولید شده را پیامد می نامند.\r\n\r\nیادگیری ماشین سنتی یک رویکرد مرسوم و شناخته شده است که برای حل وظایف ساده‌تر که داده‌های محدودی دارند، استفاده می‌شود، در حالی که یادگیری عمیق یک رویکرد جدید و پیشرفته است که برای حل وظایف پیچیده که شامل مقادیر زیادی داده است، استفاده می‌شود. برخی از نمونه‌های رایج تکنیک‌های یادگیری ماشین عبارتند از: ماشین‌های بردار پشتیبان، درخت‌های تصمیم، جنگل‌های تصادفی، رگرسیون خطی و رگرسیون لجستیک. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که از شبکه های عصبی مصنوعی (که در فصل قبل بحث شد) برای یادگیری از مجموعه داده های داده شده و پیش بینی برای به دست آوردن نتیجه استفاده می کند. برخی از کاربردهای رایج یادگیری عمیق شامل تشخیص گفتار، تشخیص تصویر و پردازش زبان طبیعی (NLP) است.\r\n\r\nخوانندگان اصول محاسبات نرم با استفاده از برنامه نویسی پایتون نیز خواهند یافت:\r\nهر فصل با کدهای پایتون و نظرات گام به گام برای نشان دادن برنامه ها همراه است\r\nبحث مفصل در مورد موضوعاتی از جمله شبکه های عصبی مصنوعی، نظریه مجموعه های خشن، الگوریتم های ژنتیک و موارد دیگر\r\nتمرینات در پایان هر فصل شامل سوالات کوتاه و بلند برای تقویت یادگیری است\r\n\r\nاصول محاسبات نرم با استفاده از برنامه نویسی پایتون برای محققان و مهندسین در زمینه های مختلف که به دنبال راه حل های جدید برای مسائل محاسباتی هستند و همچنین برای دانشجویان پیشرفته در برنامه نویسی یا علوم کامپیوتر ایده آل است.
توضیحاتی درمورد کتاب به خارجی
An accessible guide to the revolutionary techniques of Soft Computing. Soft computing is a computing approach designed to replicate the human mind's unique capacity to integrate uncertainty and imprecision into its reasoning. It is uniquely suited to computing operations where rigid analytical models will fail to account for the variety and ambiguity of possible solutions. As Machine Learning and Artificial Intelligence become more and more prominent in the computing landscape, the potential for soft computing techniques to revolutionize computing has never been greater. Principles of Soft Computing Using Python Programming provides readers with the knowledge required to apply soft computing models and techniques to real computational problems. Beginning with a foundational discussion of soft or fuzzy computing and its differences from hard computing, it describes different models for soft computing and their many applications, both demonstrated and theoretical. The result is a set of tools with the potential to produce new solutions to the thorniest computing problems. Soft computing is a vital tool used for performing several computing operations. It uses one or more computational models or techniques to generate optimum outcomes. To understand this concept, let us first clarify our idea about computation. In any computation operation, inputs are fed into the computing model for performing some operations based on which results are accordingly produced. In the context of computing, the input provided for computation is called an antecedent, and the output generated is called the consequence. Traditional Machine Learning is a well-known, conventional approach used for solving simpler tasks that have limited data, while Deep Learning is a recent, advanced approach used for solving complex tasks involving large amounts of data. Some of the common examples of machine learning techniques include support vector machines, decision trees, random forests, linear regression, and logistic regression. Deep learning is a subset of machine learning that uses artificial neural networks (discussed in previous chapter) to learn from given dataset and make predictions to obtain result. Some of the common applications of Deep Learning involve speech recognition, image recognition, and natural language processing (NLP). Readers of Principles of Soft Computing Using Python Programmingwill also find: Each chapter accompanied with Python codes and step-by-step comments to illustrate applications Detailed discussion of topics including artificial neural networks, rough set theory, genetic algorithms, and more Exercises at the end of each chapter including both short- and long-answer questions to reinforce learning Principles of Soft Computing Using Python Programmingis ideal for researchers and engineers in a variety of fields looking for new solutions to computing problems, as well as for advanced students in programming or the Computer Siences.
فهرست مطالب
Cover Table of Contents Title Page Copyright About the Author Preface 1 Fundamentals of Soft Computing 1.1 Introduction to Soft Computing 1.2 Soft Computing versus Hard Computing 1.3 Characteristics of Soft Computing 1.4 Components of Soft Computing Exercises 2 Fuzzy Computing 2.1 Fuzzy Sets 2.2 Fuzzy Set Operations 2.3 Fuzzy Set Properties 2.4 Binary Fuzzy Relation 2.5 Fuzzy Membership Functions 2.6 Methods of Membership Value Assignments 2.7 Fuzzification vs. Defuzzification 2.8 Fuzzy c-Means Exercises 3 Artificial Neural Network 3.1 Fundamentals of Artificial Neural Network (ANN) 3.2 Standard Activation Functions in Neural Networks 3.3 Basic Learning Rules in ANN 3.4 McCulloch–Pitts ANN Model 3.5 Feed-Forward Neural Network 3.6 Feedback Neural Network Exercises 4 Deep Learning 4.1 Introduction to Deep Learning 4.2 Classification of Deep Learning Techniques Exercises 5 Probabilistic Reasoning 5.1 Introduction to Probabilistic Reasoning 5.2 Four Perspectives on Probability 5.3 The Principles of Bayesian Inference 5.4 Belief Network and Markovian Network 5.5 Hidden Markov Model 5.6 Markov Decision Processes 5.7 Machine Learning and Probabilistic Models Exercises 6 Population-Based Algorithms 6.1 Introduction to Genetic Algorithms 6.2 Five Phases of Genetic Algorithms 6.3 How Genetic Algorithm Works? 6.4 Application Areas of Genetic Algorithms 6.5 Python Code for Implementing a Simple Genetic Algorithm 6.6 Introduction to Swarm Intelligence 6.7 Few Important Aspects of Swarm Intelligence 6.8 Swarm Intelligence Techniques Exercises 7 Rough Set Theory 7.1 The Pawlak Rough Set Model 7.2 Using Rough Sets for Information System 7.3 Decision Rules and Decision Tables 7.4 Application Areas of Rough Set Theory 7.5 Using ROSE Tool for RST Operations Exercises 8 Hybrid Systems 8.1 Introduction to Hybrid Systems 8.2 Neurogenetic Systems 8.3 Fuzzy-Neural Systems 8.4 Fuzzy-Genetic Systems 8.5 Hybrid Systems in Medical Devices Exercises Index End User License Agreement
