
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
یادگیری ماشین شاخهای از هوش مصنوعی است که بهطور کلی به توانایی ماشین برای تقلید از رفتار هوشمند انسان گفته میشود. ماشینها هم مثل انسانها، با یادگیری از تجربههای گذشتهشان، میتوانند تصمیمهای هوشمندانه بگیرند. یادگیری ماشین امروز در کاربردهای زیادی به کار میرود؛ از جمله تشخیص و پیشگیری از تقلب، خودروهای خودران، سامانههای پیشنهادگر، فناوری تشخیص چهره و رایانش هوشمند. این کتاب به تازهواردها کمک میکند هنر و علم یادگیری ماشین را یاد بگیرند. در آن مثالهای واقعی از دنیای واقعی آمده که از اکوسیستم محبوب یادگیری ماشین پایتون بهره میبرند. موضوعهای این کتاب شامل مبانی یادگیری ماشین است: یادگیری نظارتشده و بدون نظارت، رگرسیون خطی و رگرسیون لجستیک، و ماشینهای بردار پشتیبان (SVM). همچنین به موضوعهای ویژهای مثل شبکههای عصبی، نظریه تعمیمپذیری، و سوگیری و انصاف در یادگیری ماشین میپردازد. پس از خواندن این کتاب، دانشجویان علوم رایانه و مهندسی — در سطح کالج و دانشگاه — درک کاملی از مبانی یادگیری ماشین پیدا میکنند و میتوانند راهحلهای مبتنی بر شبکه عصبی را در سامانههای اطلاعاتی پیادهسازی کنند و آنها را به نفع خود گسترش دهند.
Machine learning is a subfield of artificial intelligence, broadly defined as a machine's capability to imitate intelligent human behavior. Like humans, machines become capable of making intelligent decisions by learning from their past experiences. Machine learning is being employed in many applications, including fraud detection and prevention, self-driving cars, recommendation systems, facial recognition technology, and intelligent computing. This book helps beginners learn the art and science of machine learning. It presens real-world examples that leverage the popular Python machine learning ecosystem,The topics covered in this book include machine learning basics: supervised and unsupervised learning, linear regression and logistic regression, Support Vector Machines (SVMs). It also delves into special topics such as neural networks, theory of generalisation, and bias and fairness in machine learning. After reading this book, computer science and engineering students - at college and university levels - will receive a complete understanding of machine learning fundamentals and will be able to implement neural network solutions in information systems, and also extend them to their advantage.