کتاب های برچسب artificial-intelligence
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: ۲۱۰
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: ۷۳۳
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: ۹۷۹
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: ۱۹:۲۲:۲۲ ۱۳۹۸/۱۱/۱۸ جمعه
توسط: MotoMan
امتیاز: ۱
برچسب ها: Python | Artificial Intelligence |

پیشرفت‌های اخیر در هوش مصنوعی (AI) قدرت زیادی را در دست انسان‌ها قرار داده است. متناسب با این قدرت زیاد، مسئولیت هم می‌آید. اتومبیل‌های خودران، چت بات‌ها و پیش بینی‌های دقیق فزاینده ای از آینده، نمونه‌های کمی از توانایی هوش مصنوعی برای به حداکثر رساندن ظرفیت بشر برای رشد و پیشرفت است. هوش مصنوعی در حال تبدیل شدن به یک مسیر اصلی و تحول آمیز است که روش فکر کردن در مورد هر جنبه از زندگی ما را تغییر می‌دهد.  هوش مصنوعی صنعت را تحت تأثیر قرار داده است. از این رو ، جای تعجب نخواهد بود که توانایی کار و استفاده کامل از هوش مصنوعی، مهارتی خواهد بود که فقط برای افزایش ارزش تنظیم شده است.

ویرایش دوم کتاب هوش مصنوعی با پایتون،‌ نسخه به روز شده و بسط داده شده از راهنمای پر فروش هوش مصنوعی با استفاده از آخرین نسخه Python 3.x و TensorFlow 2 است. این نسخه همچنین شامل هفت فصل جدید در مورد مفاهیم پیشرفته‌تر هوش مصنوعی، از جمله موارد استفاده اصلی هوش مصنوعی است. خط لوله‌های یادگیری ماشین؛ انتخاب ویژگی‌ها و مهندسی ویژگی ها؛ هوش مصنوعی روی ابر؛ اصول chatbot ها؛ RNNها و مدل‌های DL؛ و هوش مصنوعی و کلان داده.

مخاطبان در نظر گرفته شده برای این کتاب، توسعه دهندگان Python است که می‌خواهند برنامه‌های هوش مصنوعی در دنیای واقعی بسازند. تجربه برنامه نویسی پایه ای Python و آگاهی از مفاهیم و فنون یادگیری ماشین الزامی است.

تعداد بازدید: ۱۳۵۲
دیدگاه ها: ۱
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: ۲۲:۴۹:۲۳ ۱۳۹۸/۴/۱۲ چهارشنبه
توسط: MotoMan
امتیاز: ۱

در کتاب Hands-On Neural Networks، شبکه‌های عصبی به همراه یادگیری عمیق و اصول هوش مصنوعی را با استفاده از OpenAI Gym، TensorFlow و Keras طراحی و ایجاد کنید.

شبکه‌های عصبی نقش خیلی مهمی در یادگیری عمیق و هوش مصنوعی (AI) بازی می‌کنند و کاربرد‌های زیادی در حوزه‌های مختلفی دارند از پزشکی گرفته تا پیشبینی مالی و حتی عیب یابی ماشین.

کتاب آموزشی شبکه‌های عصبی، برای همه علاقه مندان به شبکه‌های عصبی، هوش مصنوعی و یادگیری عمیق مفید خواهد بود.

تعداد بازدید: ۲۰۴۸
دیدگاه ها: ۰
تاریخ: ۲۱:۱۴:۳۴ ۱۳۹۸/۱/۲۷ سه شنبه
توسط: MotoMan
امتیاز: ۴

ما در میان یک انقلاب تکنولوژیک هستیم. همان طور که با انقلاب قبلی، عدم توانایی در انطباق با روش‌های جدید مهارت‌های توسعه شما را دیر یا زود منسوخ کرد. آغاز گر این انقلاب، انقلاب ابری (Cloud Revolution)، کلان داده، اینترنت اشیا (IoT) و هوش مصنوعی (AI) ، همگی چشم انداز توسعه‌ی نرم افزار را تغییر دادند. همان طور که وارد عصر هوش مصنوعی و اینترنت اشیا می‌شویم، تکنولوژی دیگری در حاضر در سراسر جهان مطرح شده است که بلاکچین نام دارد. ترکیب اینترنت اشیا و بلاکچین که از هوش مصنوعی قدرت بگیرند، دوباره در توسعه نرم افزار انقلاب می‌کنند.

کتاب اینترنت اشیا، هوش مصنوعی و بلاکچین برای دات نت، این که چگونه قابلیت‌های هوش مصنوعی (AI)، و یادگیری ماشین (ML) می‌توانند با استفاده از اینترنت اشیا (IoT) تقویت شوند و با استفاده بلاکچین (Blockchain) امن شوند را بررسی کرده است. بنابراین برنامه‌های شما نه تنها می‌توانند باهوش‌تر باشند بلکه می‌توانند متصل‌تر باشند و از هر موقعی امن‌تر باشند. این کتاب API‌ها و سرویس هایی از مایکروسافت شامل Azure IoT، API‌های سرویس‌های (Cognitive، Blockchain as a Service (Baas و Machine Learning Studio را پوشش می‌دهد.

تعداد بازدید: ۱۹۵۸
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: 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: ۱۱:۲۱:۴۷ ۱۳۹۳/۱۲/۲۱ پنج شنبه
توسط: sooth3r
امتیاز: ۵
برچسب ها: Artificial Intelligence |

کتاب  Artificial Intelligence: A Modern Approach یکی از مراجع و تسکت بوک‌های دانشگاهی در این زمینه می‌باشد که با آخرین به روز رسانی در زمینه‌ی هوش مصنوعی چه در زمینه‌ی تئوری و هم چنین از دید پیاده سازی و مسائل رخ دهنده در زندگی روزمره می‌باشد

تعداد بازدید: ۵۷۶۰
دیدگاه ها: ۲
loading...

لطفا منتظر بمانید...