کتاب های برچسب machine-learning
تاریخ: ۲۱:۲:۲۶ ۱۳۹۹/۷/۳ پنج شنبه
توسط: MotoMan
امتیاز: ۱

در عصر اینترنت اشیا (IoT)، تعداد بسیار زیادی از دستگاه‌های سنجش، داده‌های حسی مختلفی را برای طیف وسیعی از برنامه‌ها در طول زمان جمع آوری و تولید می‌کنند. این داده‌ها عمدتا از جریان‌های بزرگ، سریع و بلادرنگ مبتنی بر برنامه‌ها تشکیل شده اند. استفاده از تجزیه و تحلیل در رابطه با چنین داده‌های بزرگی یا جریان‌های داده برای یادگیری اطلاعات جدید، پیش بینی آینده نگرانه و تصمیم گیری آگاهانه بسیار مهم است و IoT را به الگویی شایسته برای مشاغل و فناوری‌های بهبود دهنده کیفیت زندگی تبدیل می‌کند.

هوش مصنوعی به سرعت در حال رشد است که ناشی از پیشرفت در شبکه‌های عصبی (NN) و یادگیری عمیق (DL) است. با افزایش سرمایه گذاری در شهرهای هوشمند، مراقبت‌های بهداشتی هوشمند و اینترنت اشیا (IoT) صنعتی، تجاری سازی اینترنت اشیا به زودی در اوج خواهد بود که در آن مقادیر زیادی از داده‌های تولید شده توسط دستگاه‌های اینترنت اشیا نیاز به پردازش در مقیاس بزرگ دارند.

این کتاب برای تسهیل کردن تجزیه و تحلیل و یادگیری در برنامه‌های مختلف اینترنت اشیا، مروری کامل از یک کلاس از تکنیک‌های پیشرفته یادگیری ماشین به نام یادگیری عمیق (DL) را برای شما فراهم می‌کند. کتاب «یادگیری عمیق عملی برای اینترنت اشیا»، دید عمیق‌تری را در مورد داده‌های اینترنت اشیا فراهم می‌کند، که با معرفی چگونگی متناسب سازی DL در زمینه هوشمند سازی برنامه‌های اینترنت اشیا، آغاز می‌شود. سپس چگونگی ساخت معماری‌های عمیق با استفاده از TensorFlow، Keras و Chainer برای IoT را پوشش می‌دهد.

شما خواهید آموخت که چگونه شبکه‌های عصبی کانولشنال (CNN) را برای توسعه برنامه هایی برای تشخیص مبتنی بر تصویر دست انداز‌های جاده ای و تفکیک هوشمند زباله‌ها آموزش دهید و به دنبال آن کنترل نور هوشمند صوتی و مکانیسم‌های دسترسی به منزل را با استفاده از شبکه‌های عصبی بازگشتی (RNN) آغاز کنید. شما با استفاده از خود رمز گذار ها، DeepFi و شبکه‌های LSTM به برنامه‌های اینترنت اشیا برای محلی سازی داخلی، نگهداری قابل پیشبینی و مکان یابی تجهیزات در یک بیمارستان بزرگ تسلط خواهید یافت. علاوه بر این، با امنیت تقویت شده اینترنت اشیا، توسعه برنامه اینترنت اشیا را برای مراقبت‌های بهداشتی یاد خواهید گرفت.

تعداد بازدید: ۲۰۸
دیدگاه ها: ۰
تاریخ: ۲۱:۵۲:۴۲ ۱۳۹۹/۶/۳۰ یکشنبه
توسط: MotoMan
امتیاز: ۱

یادگیری ماشین می‌تواند جادویی به نظر برسد. چگونه یک کامپیوتر می‌تواند اشیا موجود در یک تصویر را تشخیص دهد؟ چگونه اتومبیل می‌تواند خودش رانندگی کند؟ این شاهکار‌ها گیج کننده هستند؛ نه تنها برای عموم مردم، بلکه برای بسیاری از توسعه دهندگان نرم افزار مانند من و شما. حتی پس از سال‌ها کد نویسی، من نمی‌دانستم که چگونه یادگیری ماشین کار می‌کند. در حالی که من با جدیدترین چارچوب وب سر و کله می‌زدم، کسی آن بیرون در حال نوشتن نرم افزاری شگفت انگیز بود که به نظر می‌رسید علمی تخیلی است؛ و من حتی نمی‌توانستم آن را درک کنم. من می‌خواستم که وارد عمل بشوم. من می‌خواستم که خودم بتوانم آن چیزها را بسازم.

کتاب «برنامه نویسی یادگیری ماشین» برای توسعه دهندگانی است که می‌خواهند یادگیری ماشین را از ابتدا یاد بگیرند. یادگیری ماشین، حوزه‌ی گسترده ای است و هیچ کتابی نمی‌تواند همه آن را پوشش دهد. ما بر روی سه جنبه از یادگیری ماشین که امروزه مهمتر هستند تمرکز خواهیم کرد: یادگیری تحت نظارت، شبکه‌های عصبی و یادگیری عمیق.

یادگیری تحت نظارت، نوع خاصی از یادگیری ماشین است. یادگیری ماشین چند طعم مختلف دارد، اما یادگیری تحت نظارت امروزه محبوب‌ترین است. بخش اول این کتاب، از صفر تا تشخیص تصویر، یک آموزش عملی یادگیری تحت نظارت است. در طی چند فصل، ما حداقل یک برنامه یادگیری خواهیم نوشت. سپس این برنامه را گام به گام تکمیل خواهیم کرد، و به تدریج آن را به یک سیستم یادگیری ماشین به نام پرسپترون تبدیل خواهیم کرد. پرسپترون ما یک برنامه بینایی ماشین واقعی خواهد بود که به اندازه کافی برای شناسایی کاراکتر‌های دست خط قدرتمند است.

روشهای زیادی برای پیاده سازی سیستم یادگیری تحت نظارت وجود دارد. مشهورترین آنها شبکه عصبی است؛ الگوریتمی برجسته که به راحتی از اتصالات نورون‌ها در مغز ما الهام گرفته شده است. بخش دوم این کتاب به شبکه‌های عصبی اختصاص دارد. ما برنامه نوشته شده در بخش اول را به یک شبکه عصبی تمام عیار تبدیل خواهیم کرد. در طی این مسیر ما باید بر چندین چالش غلبه کنیم، اما نتیجه نهایی ارزش آن را خواهد داشت: شبکه عصبی نهایی بسیار قدرتمندتر از برنامه نوپایی است که ما با آن شروع می‌کنیم. یک بار دیگر تاکید می‌کنم که کد‌ها را خط به خط خودمان می‌نویسیم و ساز و کار داخلی آن برای این که شما با آن‌ها کار کنید باز خواهد بود.

شبکه‌های عصبی در سال‌های اخیر، از هنگامی که محققان برای طراحی و استفاده از آنها به تکنیک‌های موفقیت آمیزی دست یافتند، از پیشرفت چشمگیری برخوردار شدند. این فناوری پیشرفته بسیار قدرتمندتر از شبکه‌های عصبی ساده قدیمی است؛ به حدی که نامی به خود اختصاص داد: یادگیری عمیق. این عنوان بخش سوم این کتاب است. در این بخش، ما با استفاده از یک کتابخانه یادگیری ماشین مدرن، شبکه عصبی خود را خواهیم نوشت. سرانجام، هنگام جمع بندی کتاب، نگاهی خواهیم انداخت به چند تکنیک پیشرفته یادگیری عمیق، که راه را برای کاوش‌های آینده شما هموار می‌کند.

تعداد بازدید: ۳۱۱
دیدگاه ها: ۰
تاریخ: ۱۵:۵۶:۴۲ ۱۳۹۹/۳/۲۸ چهارشنبه
توسط: MotoMan
امتیاز:

شبکه‌های عصبی در مرکز پیشرفت‌های اخیر هوش مصنوعی قرار دارد و برخی از بهترین راهکار‌ها را برای بسیاری از مسائل واقعی از جمله تشخیص تصویر، تشخیص پزشکی، تجزیه و تحلیل متون و موارد دیگر، ارائه می‌دهد. این کتاب به بررسی دقیق مفاهیم اساسی شبکه‌های عصبی و یادگیری عمیق و همچنین تعدادی از کتابخانه‌های محبوب پایتون برای پیاده سازی آن‌ها می‌پردازد.

کتاب Neural Network Projects with Python شامل مثال‌های عملی از شبکه‌های عصبی در حوزه هایی همچون پیشبینی کرایه، طبقه بندی تصاویر، تجزیه و تحلیل احساسات و دیگر موارد است. برای هر مثالی، این کتاب مساله را بیان می‌کند، معماری شبکه عصبی به خصوص مورد نیاز برای حل آن مساله، استدلال پشت الگوریتم مورد استفاده و کد پایتون مرتبط با پیاده سازی از ابتدا راه حل را ارائه می‌دهد. در این روند، شما با استفاده از کتابخانه‌های محبوب پایتون مانند Keras، می‌توانید تجربه‌های عملی از ساخت و آموزش شبکه‌های عصبی خودتان از صفر را به دست آورید.

در پایان این کتاب، شما بر معماری‌های مختلف شبکه‌های عصبی تسلط خواهید یافت و پروژه‌های مهم هوش مصنوعی را در پایتون ایجاد کرده اید که نمونه کار‌های یادگیری ماشین شما را تقویت می‌کنند. این کتاب برای دانشمندان داده، مهندسین یادگیری ماشین و علاقه مندان به یادگیری عمیق که مایل به ایجاد پروژه‌های شبکه عصبی عملی در پایتون هستند، یک منبع عالی است. خوانندگان این کتاب باید از دانش اساسی در مورد یادگیری ماشین و شبکه‌های عصبی برخوردار باشند.

تعداد بازدید: ۷۳۲
دیدگاه ها: ۰
تاریخ: ۱۱:۵۷:۲ ۱۳۹۹/۳/۲۸ چهارشنبه
توسط: MotoMan
امتیاز: ۰

کتاب معماری‌های شناخت مصنوعی، به منظور فراهم کردن راهی برای بحث و گفتگو در مورد انواع فن آوری ها، مؤلفه ها، روش ها، معماری هایی نوشته شده است که برای ایجاد یک موجود زنده مصنوعی واقعی و کاملاً خود مختار ضروری هستند. یک موجود زنده مصنوعی، فقط مجموعه ای از سخت افزار ها، نرم افزار‌ها و الگوریتم هایی نیست که به طرزی جادویی خود آگاه می‌شوند و شروع به تفکر، تعقل، یادگیری و تصمیم گیری مانند انسان‌ها می‌کنند(همان طور که هالیوود باعث شده اینگونه باور کنید). این به یک اکوسیستم شناختی شبیه به مغز انسان، سیستم عصبی مرکزی و غیره نیاز دارد که متحد با هم کار کنند تا بتوانند یک «مغز مصنوعی» کامل بسازند.

عقیده ما این است که شما نمی‌توانید یک موجود زنده مصنوعی حقیقی را از پایین به بالا طراحی کنید. این باید به عنوان یک موجود شناختی سطح بالا طراحی شود، با کلیه مؤلفه‌های موجود در معماری، مدل‌های اطلاعات/دانش، مکانیزم‌ها و روش‌های ارتباطی و هر آنچه که در ابتدای طراحی سیستم‌های سطح بالا مورد نیاز است. فقط در این صورت می‌توانید شروع به تجزیه طراحی سیستم در زیر سیستم‌های جداگانه کنید و شروع به بررسی آنچه که برای هر موجودیت سطح پایین در اکوسیستم مورد نیاز است کنید.

کتاب Artificial Cognition Architectures، پایه و اساس، اصول، تئوری و مفاهیمی را وضع می‌کند که ستون فقرات هوش مصنوعی واقعی و خود مختار است. در این کتاب برخی از مفاهیم اساسی هوش انسانی ساخته شده برای سیستم‌های هوش مصنوعی ارائه شده است. این مفاهیم شامل Metacognition و Metamemory، همراه با سازه‌های معماری برای نسخه‌های هوش مصنوعی از عملکردهای مغز انسان مانند قشر جلوی مغز است. همچنین معماری‌های سخت افزاری و نرم افزاری هایی ارائه شده اند که امکان پذیر هستند و خود را به یادگیری، استدلال و خود تکاملی معطوف می‌کنند.

تعداد بازدید: ۴۳۲
دیدگاه ها: ۰
تاریخ: ۲۱:۶:۸ ۱۳۹۹/۳/۱۷ شنبه
توسط: MotoMan
امتیاز: ۲

کتاب Introduction to Python for Computer Science and Data Science دایتل، رویکردی منحصر به فرد برای آموزشی برنامه نویسی مقدماتی پایتون ارائه می‌دهد که برای مخاطبان علوم کامپیوتر و علوم داده مناسب است.

با ارائه جدیدترین موضوعات و برنامه ها، این کتاب با ضمیمه‌های مرسوم وسیع و همچنین ضمیمه‌های Jupyter Notebooks همراه شده است. مجموعه داده‌های دنیای واقعی و فناوری‌های هوش مصنوعی، به دانشجویان این امکان را می‌دهند تا در تجارت، صنعت، دولت و دانشگاه تفاوتی ایجاد کنند. صد‌ها مثال، تمرین، پروژه (EEPs) و پیاده سازی موارد مطالعاتی، به دانشجویان مقدمه ای جذاب، چالش برانگیز و سرگرم کننده از برنامه نویسی پایتون و علم داده عملی ارائه می‌دهد.

معماری ماژولار این کتاب به مدرسان این امکان را می‌دهد تا به راحتی متن این کتاب را با طیف وسیعی از دوره‌های علوم کامپیوتر و علوم داده که برای تعداد زیادی از رشته‌ها ارائه شده اند، وفق دهند. مدرسان علوم کامپیوتر به هر اندازه ای که دوست دارند می‌توانند مباحث مربوط به علوم داده و هوش مصنوعی را در این درس ادغام کنند و مدرسان علوم داده نیز می‌توانند به هر اندازه ای که دوست دارند پایتون را ادغام کنند.

تعداد بازدید: ۹۷۸
دیدگاه ها: ۰
تاریخ: ۲۰:۳۱:۵۹ ۱۳۹۹/۲/۲۰ شنبه
توسط: MotoMan
امتیاز: ۱

یادگیری عمیق شکلی از یادگیری ماشین است که کامپیوترها را قادر می‌سازد تا از تجربه یاد بگیرند و جهان را از منظر سلسله مراتبی از مفاهیم درک کنند. از آنجا که کامپیوتر دانش را از تجربه جمع آوری می‌کند، دیگر نیازی به یک اپراتور کامپیوتر انسانی نیست تا بطور رسمی تمام دانش مورد نیاز کامپیوتر را مشخص کند. سلسله مراتب مفاهیم به کامپیوتر این امکان را می‌دهد تا با ساختن آنها از موارد ساده‌تر مفاهیم پیچیده را بیاموزد؛ گرافی از این سلسله مراتب ها، ممکن است لایه‌های زیادی عمق داشته باشد. این کتاب طیف وسیعی از موضوعات را درباره یادگیری عمیق معرفی می‌کند.

کتاب Deep Learning (Adaptive Computation and Machine Learning series)، پیش زمینه ریاضیات و مفهومی را ارائه می‌دهد و مفاهیم مربوط به جبر خطی ، نظریه احتمالات و نظریه اطلاعات، محاسبات عددی و یادگیری ماشین را پوشش می‌دهد. این کتاب تکنیک‌های یادگیری عمیق را که توسط شاغلان در صنعت استفاده می‌شود، از جمله شبکه‌های عمیق پیشخور، تنظیم، الگوریتم‌های بهینه سازی، شبکه‌های پیچشی، مدل سازی توالی و متدولوژی عملی را شرح می‌دهد و کاربرد هایی مانند پردازش زبان طبیعی، تشخیص گفتار، بینایی ماشین، سیستم‌های توصیه گر آنلاین، بیوانفورماتیک و بازی‌های ویدئویی را بررسی می‌کند. سرانجام، این کتاب دیدگاه‌های تحقیقاتی ارائه می‌دهد، مباحث نظری نظیر مدل‌های عامل خطی، خود رمزگذار ها، یادگیری بازنمایی، مدل‌های ساختاری احتمالی، روش‌های مونت کارلو، تابع پارتیشن، استنتاج تقریبی و مدل‌های مولد عمیق را نیز پوشش می‌دهد.

تعداد بازدید: ۷۶۷
دیدگاه ها: ۰
تاریخ: ۲۲:۳۶:۲۵ ۱۳۹۹/۱/۲۰ چهارشنبه
توسط: MotoMan
امتیاز: ۱

در بیش از 20 سال عمر، جاوا اسکریپت با حضور بی چون و چرا بر روی سرورها، دستگاه‌های تعبیه شده، تلویزیون‌های هوشمند، اینترنت اشیا، خودرو‌های هوشمند و موارد دیگر، فراتر از مرزهای تکامل وب حرکت کرده است. امروزه، با مزایای افزوده شده از تحقیقات یادگیری ماشین و پشتیبانی از کتابخانه هایJS ، جاوا اسکریپت مرورگرهای شما را با توانایی یادگیری الگوها و بازتولید آنها هوشمند‌تر از همیشه می‌کند تا به بخشی از محصولات و برنامه‌های نوآورانه تبدیل شوند.

کتاب Hands-on Machine Learning with JavaScript، راه‌های مختلف یادگیری ماشین را به شکل عملی و عینی ارائه می‌دهد و به پیاده سازی آنها با استفاده از زبان جاوا اسکریپت کمک می‌کند. پیش بینی رفتارها، تجزیه و تحلیل احساسات، گروه بندی داده‌ها و ساختن مدل‌های عصبی، برخی از مهارت هایی است که شما از این کتاب می‌آموزید. شما یاد می‌گیرید که چگونه مدل‌های یادگیری ماشین خود را آموزش داده و با انواع مختلفی از داده‌ها کار کنید. در طول این سفر با مواردی مانند تشخیص چهره، فیلتر اسپم، سیستم‌های توصیه گر، تشخیص کاراکتر و موارد دیگر روبرو می‌شوید. علاوه بر این، شما یاد می‌گیرید که چگونه با شبکه‌های عصبی عمیق کار کنید و برنامه‌های خود را راهنمایی کنید تا داده‌ها را درک کنند.

در پایان این کتاب، شما در زمینه ارزیابی و پیاده سازی مدل صحیح، همراه با انتخاب از کتابخانه‌های مختلف JS مانند NaturalNode، brain، harthur، classifier و بسیاری دیگر برای طراحی برنامه‌های هوشمند تر، دانش عملی کسب خواهید کرد. اگر شما یک توسعه دهنده جاوا اسکریپت هستید که می‌خواهید یادگیری ماشین را پیاده سازی کنید تا برنامه‌ها را هوشمند‌تر کنید، اطلاعات پر معنی و عمیق از داده‌ها بدست آورید و بدون تغییر به زبان دیگری وارد زمینه یادگیری ماشین شوید، این کتاب برای شما مناسب است. برای استفاده هر چه بیشتری از این کتاب، انتظار می‌رود که دانش کار با زبان جاوا اسکریپت را داشته باشید.

تعداد بازدید: ۸۲۲
دیدگاه ها: ۲
تاریخ: ۱۰:۳۹:۴۲ ۱۳۹۹/۱/۱۲ سه شنبه
توسط: MotoMan
امتیاز: ۱

یادگیری ماشین (ML) در بسیاری از صنایع از جمله علوم، مراقبت‌های بهداشتی و تحقیقات بسیار مورد استفاده قرار می‌گیرد و محبوبیت آن فقط در حال رشد است. مایکروسافت در مارس سال 2018، ML.NET را برای کمک به علاقه مندان کار با یادگیری ماشین در NET. معرفی کرد. در این کتاب، با استفاده از #C نحوه ساخت برنامه‌های ML.NET را با مدل‌های مختلف ML موجود بررسی خواهید کرد.

کتاب Hands-On Machine Learning with ML.NET، با ارائه یک بررسی اجمالی از یادگیری ماشین (ML) و انواع الگوریتم‌های ML مورد استفاده، همراه با اینکه ML.NET چی هست است و چرا شما برای ساختن برنامه‌های ML  به آن نیاز دارد، آغاز می‌شود. سپس چارچوب ML.NET، کامپوننت‌ها و API‌های آن را بررسی خواهید کرد. این کتاب به عنوان یک راهنمای عملی برای کمک به شما در ساخت برنامه‌های هوشمند با استفاده از کتابخانه ML.NET ایفای نقش می‌کند. شما به تدریج در چگونگی پیاده سازی الگوریتم‌های یادگیری ماشین مانند رگرسیون، دسته بندی و خوشه بندی با مثال‌ها و مجموعه داده‌های دنیای واقعی کاملاً مسلط خواهید شد. هر فصل پیاده سازی عملی را پوشش می‌دهد و نحوه پیاده سازی ML را در برنامه‌های NET. نشان می‌دهد. همچنین یاد می‌گیرید که TensorFlow را با برنامه‌های ML.NET یکپارچه کنید. سپس می‌توانید نحوه ذخیره نتیجه پیش بینی قیمت مسکن مدل رگرسیون را در پایگاه داده را بررسی کرده و نتایج پیش بینی شده بلادرنگ از پایگاه داده را روی برنامه وب خود با استفاده از ASP.NET Core Blazor و SignalR نمایش دهید. در پایان این کتاب، شما آموخته اید که چگونه با اطمینان کار‌های یادگیری ماشین سطح پایه تا پیشرفته را با ML.NET انجام دهید.

اگر شما یک توسعه دهنده دات نت هستید که می‌خواهید مدل‌های یادگیری ماشین را با استفاده از ML.NET پیاده سازی کنید، این کتاب برای شما مناسب است. این کتاب همچنین برای دانشمندان داده و توسعه دهندگان یادگیری ماشین که به دنبال ابزارهای مؤثر برای پیاده سازی الگوریتم‌های مختلف یادگیری ماشین هستند، مفید خواهد بود. دانش پایه ای از سی شارپ یا دات نت برای درک مؤثر مفاهیم این کتاب ضروری است.

تعداد بازدید: ۱۲۷۹
دیدگاه ها: ۰
تاریخ: ۰:۱۰:۴ ۱۳۹۸/۸/۲ پنج شنبه
توسط: MotoMan
امتیاز: ۲

علم داده‌ها و یادگیری ماشین به شکلی خاص برای ارزیابی میزان همیشه در حال افزایش داده‌های تولید شده توسط کاربران، به عنوان موضوعات پیشرو در محیط تجاری فناوری در حال ظهور هستند. در کتاب یادگیری ماشین برای وب، نحوه استفاده از پایتون برای توسعه یک برنامه تجاری وب با استفاده از جنگو و چگونگی به کارگیری برخی از کتابخانه‌های خاص (sklearn، scipy، nltk، جنگو و برخی دیگر) توضیح داده شده است تا داده‌های تولید شده و یا استفاده شده در برنامه، پردازش و تجزیه و تحلیل شوند (از طریق تکنیک‌های یادگیری ماشین).

پایتون یک زبان برنامه نویسی همه منظوره و نسبتا ساده برای یادگیری است. از این رو این زبان انتخاب دانشمندان داده هاست تا نمونه اولیه تهیه کنند، به تصویر بکشند و تجزیه و تحلیل داده‌ها را بر روی مجموعه داده‌های اندازه کوچک و متوسط انجام دهند. این کتابی منحصر به فرد است که به پر کردن شکاف بین یادگیری ماشین و توسعه وب کمک می‌کند. این کتاب بر روی سختی‌های پیاده سازی تحلیل پیشگویانه در برنامه‌های وب متمرکز است. ما بر روی زبان پایتون، چارچوبها، ابزارها و کتابخانه‌ها تمرکز می‌کنیم و نحوه ساختن یک سیستم یادگیری ماشین را به شما نشان می‌دهیم. شما مفاهیم اصلی یادگیری ماشین را بررسی خواهید کرد و سپس داده‌ها را با استفاده از چارچوب Django توسعه داده و در یک برنامه وب قرار می‌دهید.

تعداد بازدید: ۱۲۱۱
دیدگاه ها: ۰
تاریخ: ۱۲:۴۹:۳۳ ۱۳۹۸/۷/۵ جمعه
توسط: MotoMan
امتیاز: ۱
برچسب ها: Machine Learning |

به تشخیص خودکار الگوهای معنی دار در داده ها، اصطلاحا یادگیری ماشین گویند. در دو دهه گذشته تقریباً در هر کاری که نیاز به استخراج اطلاعات از مجموعه داده‌های بزرگ داشته باشند، یادگیری ماشین به ابزاری رایج تبدیل شده است. ما توسط فناوری‌های مبتنی بر یادگیری ماشین احاطه شده ایم: موتور‌های جستجو یاد می‌گیرند که چگونه بهترین نتایج را برای ما به دست آورند (در حالی که تبلیغات سود آوری نیز در بین نتایج قرار دهند)، نرم افزار‌های آنتی اسپم یاد می‌گیرند که پیام‌های اسپم ایمیل شما را فیلتر کنند و تراکنش‌های کارت‌های اعتباری توسط نرم افزاری که نحوه تشخیص کلاه برداران را یاد می‌گیرد، ایمن می‌شوند. دوربین‌های دیجیتال تشخیص چهره‌ها در تصاویر را یاد می‌گیرند و برنامه‌های دستیار شخصی بر روی گوشی‌های هوشمند یاد می‌گیرند تا دستورات صوتی را شناسایی کنند. اتومبیل‌ها مجهز به سیستم‌های جلوگیری از تصادف شده اند که با استفاده از الگوریتم‌های یادگیری ماشین ساخته شده اند. یادگیری ماشین همچنین در علوم دیگر مانند بیوانفورماتیک، پزشکی و نجوم بسیار مورد استفاده قرار می‌گیرد.

تعداد بازدید: ۱۳۶۳
دیدگاه ها: ۰
تاریخ: ۲۰:۲۳:۳۳ ۱۳۹۸/۳/۲۳ پنج شنبه
توسط: MotoMan
امتیاز: ۱
برچسب ها: Machine Learning |

کتاب یادگیری ماشین با تکنولوژی‌های مایکروسافت، انجام تجزیه تحلیل‌های predictive، descriptive و prescriptive را به کمک Microsoft Power BI، Azure Data Lake، SQL Server، Stream Analytics، Azure Databricks، HD Insight‌ و ... نشان می‌دهد.

توانایی تحلیل حجم عظیمی از داده‌های بلادرنگ و پیشبینی رفتار آینده یک سازمان، برای موفقیت آن سازمان در بلند مدت ضروری است. علم داده‌ها و مخصوصا یادگیری ماشین، امروزه نقشی تحول آفرین دارند و باید در استراتژی سازمان نقشی کلیدی داشته باشند. مدیریت یک فرآیند یادگیری ماشین از فهم کسب و کار، اکتساب داده‌ها و تمیز سازی، مدل سازی و انتشار در هر ابزاری یک مجموعه مهارت ارزشمند هستند.

تعداد بازدید: ۱۲۲۷
دیدگاه ها: ۰
تاریخ: ۲۱:۲۹:۴۵ ۱۳۹۸/۳/۶ دوشنبه
توسط: MotoMan
امتیاز: ۲
برچسب ها: Machine Learning | Database | Data Mining |

در عصر مدرن هوش مصنوعی و تجزیه و تحلیل کسب و کار، داده‌ها به عنوان نفت این دنیای سایبری در نظر گرفته شده اند. استخراج داده‌ها پتانسیل زیادی برای بهبود نتایج کسب و کار دارد و تقاضای رو به رشدی برای متخصصان database mining به وجود آمده است.

کتاب Data Mining and Data Warehousing، جنبه‌های کاربردی داده کاوی، انبار داده و یادگیری ماشین را پوشش داده است بدون این که جزئیات این موضوعات را از قلم بیندازد. نقطه قوت این کتاب، نشان دادن مفاهیم با مثال‌های کاربردی است تا خواننده به راحتی مفاهیم را بفهمد. یکی دیگر از نقاط برجسته این کتاب، نشان دادن الگوریتم‌های داده کاوی با Weka و زبان R است.

تعداد بازدید: ۱۴۷۸
دیدگاه ها: ۰
تاریخ: ۲۰:۴۶:۵۲ ۱۳۹۷/۱۲/۲۷ دوشنبه
توسط: MotoMan
امتیاز: ۳

در کار روزانه ما که عمدتا فناوری اطلاعات است، ضرورت یادگیری ماشین در همه جا احساس می‌شود و توسط همه‌ی توسعه دهندگان، برنامه نویسان و تحلیل گران تقاضا می‌شود. اما چرا از #C برای یادگیری ماشین استفاده کنیم؟  پاسخ این است که اکثر برنامه‌های کاربردی سازمانی با #C و با استفاده از ابزارهایی مثل ویژوال استادیو، SQL Server، Unity و مایکروسافت آژور نوشته شده اند.

این کتاب درک بصری از مفاهیم مختلف، تکنیک‌های یادگیری ماشین و ابزارهای مختلف یادگیری ماشین را ارائه می‌دهد که از طریق آنها کاربران می‌توانند امکانات هوشمندی از جمله تشخیص تصویر و حرکت، شهود Bayes، یادگیری عمیق و باور و سایر موارد را به برنامه‌های C # .NET اضافه کنند.

با استفاده از کتاب #Hands-On Machine Learning with C، شما الگوریتم‌های یادگیری تحت نظارت و بدون نظارت را پیاده سازی خواهید کرد که به مدل‌های پیش بینی خوبی مجهز خواهند بود. شما تکنیک‌ها و الگوریتم‌های زیادی از رگرسیون خطی ساده، درخت‌های تصمیم و SVM، تا مفاهیم پیشرفته ای مثل شبکه‌های عصبی مصنوعی، خودرمزگذار‌ها و یادگیری تقویتی را فرا خواهید گرفت. در مرحله بعد، شما از چارچوب یادگیری ماشین nuML برای یادگیری چگونگی ایجاد یک درخت تصمیم گیری ساده استفاده خواهید کرد. در فصل‌های پایانی ، شما برای یادگیری تشخیص توالی اعداد دست نویس با استفاده از کش و قوس زمانی پویا، از چارچوب یادگیری ماشین Accord.NET استفاده خواهید کرد.

در پایان این کتاب، شما طرز فکر یادگیری ماشین را به دست آورده اید و قادر خواهید بود از ابزار، تکنیک‌ها و پکیج‌های سی شارپ برای ساختن برنامه‌های کاربردی تجاری واقعی، هوشمند و پیش بینی کننده استفاده کنید.

تعداد بازدید: ۲۲۶۲
دیدگاه ها: ۰
تاریخ: ۹:۳۷:۳۹ ۱۳۹۷/۱۱/۱۹ جمعه
توسط: MotoMan
امتیاز: ۱
برچسب ها: Machine Learning | Swift |

یادگیری ماشین به عنوان یک حوزه، آوردن هوش بیشتری به نرم افزار را وعده داده است که این کار را از طریق کمک کردن به ما در یادگیری و آنالیز موثر اطلاعات و کشف چیزهایی خاص که انسان‌ها قادر به انجام آن نیستند انجام می‌دهد.

در بخش اول کتاب یادگیری ماشین با Swift، ما کارمان را با توسعه‌ی مثال هایی درباره‌ی مفاهیم پایه ای یادگیری ماشین آغاز کرده ایم. در بخش دوم تکنیک‌های یادگیری ماشین نظارت شده و نظارت نشده را فرا می‌گیریم. در بخش سوم نیز تکنیک‌های یادگیری عمیق را به همراه مثال‌های واقعی مرور می‌کنیم.

در بخش آخر نیز ما به سراغ موضوعاتی از قبیل فشرده سازی مدل و شتابدهی GPU می‌رویم و تعدادی توصیه برای دوری از اشتباهات رایج به هنگام توسعه نرم افزار‌های یادگیری ماشین به شما می‌کنیم.

تعداد بازدید: ۹۳۱
دیدگاه ها: ۰
تاریخ: ۱۹:۳۳:۲۹ ۱۳۹۶/۱۱/۷ شنبه
توسط: MotoMan
امتیاز: ۳

TensorFlow یک کتابخانه نرم افزاری متن باز برای هوش مصنوعی است.  این کتابخانه در نوامبر 2015 توسط Google متن باز باشد و از آن زمان تبدیل به پر ستاره‌ترین مخزن یادگیری ماشین در GitHub شده است. محبوبیت TensorFlow به خاطر روش ایجاد گراف‌های محاسباتی، مشتق گیری خودکار و شخصی سازی آن است. به خاطر این امکانات، TensorFlow ابزاری بسیار قدرتمند و سازگار است که می‌توان از آن در حل بسیای از مسائل مختلف یادگیری استفاده کرد.

کتاب TensorFlow Machine Learning Cookbook به بسیاری از الگوریتم‌های یادگیری ماشین می‌پردازد، آن‌ها را به شرایط و داده‌های واقعی اعمال می‌کند و نشان می‌دهد که چگونه نتایج را تفسیر کرد.

تعداد بازدید: ۳۳۸۳
دیدگاه ها: ۰
تاریخ: ۲۰:۵:۵۴ ۱۳۹۶/۱۱/۵ پنج شنبه
توسط: MotoMan
امتیاز: ۱
برچسب ها: Machine Learning | Data Mining |

کتاب یادگیری ماشین: دستیاری برای توسعه دهندگان و حرفه ای‌های فنی؛ دستور العمل عملی و مثال‌های قابل اجرا کدنویسی شده برای بیشتر تکنیک‌های رایج یادگیری ماشین که توسط توسعه دهندگان و خبره‌های فنی مورد استفاده قرار می‌گیرند ارائه داده است. این کتاب شامل تجزیه و تحلیل هر نوع ML است؛ با بیان این که چگونه کار می‌کند و چگونه در صنایع به خصوصی استفاده می‌شوند به خواننده این اجازه را می‌دهد تا تکنیک‌های ارائه شده را در کار‌های خود به کار بندد. یکی از هسته‌های اصلی یادگیری ماشین تمرکز بر روی آماده سازی داده‌ها و شناسایی کامل انواع مختلف الگوریتم‌های یادگیری است تا نشان دهد که چگونه ابزارهای مناسب به هر توسعه دهنده ای کمک می‌کند تا اطلاعات را استخراج کند و بینشی از داده‌های موجود به دست آورد.

یادگیری ماشین، یک تکنولوژی وابسته به ریاضیات و مبتنی بر الگوریتم است که مبنای داده کاوی تاریخی و علم داده‌های بزرگ مدرن را تشکیل می‌دهد. تحلیل علمی داده‌های بزرگ احتیاج به دانش عملی یادگیری ماشین دارد چرا که پیش بینی‌ها را مبتنی بر خواص شناخته شده از داده‌های آموزشی شکل می‌دهد. با یادگرفتن ساخت سیستمی که می‌تواند از داده‌ها یاد بگیرد، خواننده‌ها می‌توانند ابزارهای خود را در صنعت افزایش دهند. یادگیری ماشین بر اساس آنالیز داده‌ها و تصویر سازی است که به شدت مورد تقاضای شرکت هایی قرار گرفته است که کشف کرده اند معدنی از طلا در داده‌های موجودشان پنهان شده است.

تعداد بازدید: ۲۹۲۱
دیدگاه ها: ۰
loading...

لطفا منتظر بمانید...