دانلود کتاب Machine and Deep Learning Algorithms and Applications – الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری

توضیحات

<p><b>This book introduces basic machine learning concepts and applications for a broad audience that includes students, faculty, and industry practitioners</b>. We begin by describing how machine learning provides capabilities to computers and embedded systems to learn from data. A typical machine learning algorithm involves training, and generally the performance of a machine learning model improves with more training data. Deep learning is a sub-area of machine learning that involves extensive use of layers of artificial neural networks typically trained on massive amounts of data. Machine and deep learning methods are often used in contemporary data science tasks to address the growing data sets and detect, cluster, and classify data patterns. Although machine learning commercial interest has grown relatively recently, the roots of machine learning go back to decades ago. We note that nearly all organizations, including industry, government, defense, and health, are using machine learning to address a variety of needs and applications.</p><p>The machine learning paradigms presented can be broadly divided into the following three categories: supervised learning, unsupervised learning, and semi-supervised learning. Supervised learning algorithms focus on learning a mapping function, and they are trained with supervision on labeled data. Supervised learning is further sub-divided into classification and regression algorithms. Unsupervised learning typically does not have access to ground truth, and often the goal is to learn or uncover the hidden pattern in the data. Through semi-supervised learning, one can effectively utilize a large volume of unlabeled data and a limited amount of labeled data to improve machine learning model performances. Deep learning and neural networks are also covered in this book. Deep neural networks have attracted a lot of interest during the last ten years due to the availability of graphics processing units (GPU) computational power, big data, and new software platforms. They have strong capabilities in terms of learning complex mapping functions for different types of data. We organize the book as follows. The book starts by introducing concepts in supervised, unsupervised, and semi-supervised learning. Several algorithms and their inner workings are presented within these three categories. We then continue with a brief introduction to artificial neural network algorithms and their properties. In addition, we cover an array of applications and provide extensive bibliography. The book ends with a summary of the key machine learning concepts.</p>

————————————————————–

ترجمه ماشینی :

<p><b>این کتاب مفاهیم و کاربردهای اساسی یادگیری ماشین را برای مخاطبان وسیعی که شامل دانشجویان، اساتید و متخصصان صنعت می‌شود معرفی می‌کند</b>. ما با توضیح اینکه چگونه یادگیری ماشینی قابلیت هایی را برای کامپیوترها و سیستم های تعبیه شده برای یادگیری از داده ها فراهم می کند، شروع می کنیم. یک الگوریتم یادگیری ماشین معمولی شامل آموزش است و به طور کلی عملکرد یک مدل یادگیری ماشینی با داده های آموزشی بیشتر بهبود می یابد. یادگیری عمیق یک زیر حوزه از یادگیری ماشینی است که شامل استفاده گسترده از لایه‌های شبکه‌های عصبی مصنوعی است که معمولاً بر روی مقادیر انبوه داده آموزش داده می‌شوند. روش‌های یادگیری ماشینی و عمیق اغلب در کارهای علوم داده معاصر برای رسیدگی به مجموعه‌های داده در حال رشد و شناسایی، خوشه‌بندی و طبقه‌بندی الگوهای داده استفاده می‌شوند. اگرچه علاقه تجاری یادگیری ماشینی اخیراً افزایش یافته است، ریشه های یادگیری ماشینی به دهه ها قبل باز می گردد. توجه داریم که تقریباً همه سازمان‌ها، از جمله صنعت، دولت، دفاع و بهداشت، از یادگیری ماشین برای رفع نیازها و برنامه‌های کاربردی مختلف استفاده می‌کنند. این سه دسته عبارتند از: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری نیمه نظارت. الگوریتم های یادگیری نظارت شده بر یادگیری یک تابع نگاشت تمرکز می کنند و با نظارت بر داده های برچسب دار آموزش می بینند. یادگیری تحت نظارت بیشتر به الگوریتم های طبقه بندی و رگرسیون تقسیم می شود. یادگیری بدون نظارت معمولاً به حقیقت اصلی دسترسی ندارد و اغلب هدف یادگیری یا کشف الگوی پنهان در داده ها است. از طریق یادگیری نیمه نظارت شده، می توان به طور موثر از حجم زیادی از داده های بدون برچسب و مقدار محدودی از داده های برچسب دار برای بهبود عملکرد مدل یادگیری ماشین استفاده کرد. یادگیری عمیق و شبکه های عصبی نیز در این کتاب پوشش داده شده است. شبکه‌های عصبی عمیق در طول ده سال گذشته به دلیل در دسترس بودن واحدهای پردازش گرافیکی (GPU)، قدرت محاسباتی، کلان داده و پلت‌فرم‌های نرم‌افزاری جدید، توجه زیادی را به خود جلب کرده‌اند. آنها قابلیت های قوی از نظر یادگیری توابع نقشه برداری پیچیده برای انواع مختلف داده ها دارند. کتاب را به صورت زیر تنظیم می کنیم. کتاب با معرفی مفاهیم یادگیری تحت نظارت، بدون نظارت و نیمه نظارت آغاز می شود. چندین الگوریتم و عملکرد درونی آنها در این سه دسته ارائه شده است. سپس با معرفی مختصری از الگوریتم های شبکه عصبی مصنوعی و خواص آنها ادامه می دهیم. علاوه بر این، مجموعه‌ای از برنامه‌ها را پوشش می‌دهیم و کتاب‌شناسی گسترده ارائه می‌کنیم. کتاب با خلاصه ای از مفاهیم کلیدی یادگیری ماشین به پایان می رسد.</p>

tag : دانلود کتاب الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری , Download الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری , دانلود الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری , Download Machine and Deep Learning Algorithms and Applications Book , الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری دانلود , buy الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری , خرید کتاب الگوریتم ها و برنامه های یادگیری عمیق ماشین و یادگیری , دانلود کتاب Machine and Deep Learning Algorithms and Applications , کتاب Machine and Deep Learning Algorithms and Applications , دانلود Machine and Deep Learning Algorithms and Applications , خرید Machine and Deep Learning Algorithms and Applications , خرید کتاب Machine and Deep Learning Algorithms and Applications ,