Hands-On Machine Learning with C++

تاریخ: ۱۴:۵:۱ ۱۳۹۹/۸/۱۳ سه شنبه
توسط: MotoMan
امتیاز: ۱
تعداد بازدید: ۳۳۶
دیدگاه ها: ۰
کتاب Hands-On Machine Learning with C++
Packt Publishing
Kirill Kolodiazhnyi
9781789955330
2020
530
English

یادگیری ماشین (ML) رویکردی محبوب برای حل انواع مختلفی از مسائل است. ML به شما امکان می‌دهد تا بدون دانستن الگوریتمی سر راست برای حل مسائل، کار‌های مختلفی انجام دهید. ویژگی اصلی الگوریتم‌های یادگیری ماشین، توانایی آنها در یادگیری راه حل‌ها با استفاده از مجموعه ای از نمونه‌های آموزشی یا حتی بدون آنها است. امروزه، یادگیری ماشین رویکردی گسترده است که در زمینه‌های مختلف صنعت استفاده می‌شود. نمونه هایی از زمینه هایی که یادگیری ماشین از الگوریتم‌های سر راست کلاسیک بهتر عمل می‌کند، شامل بینایی ماشین، پردازش زبان طبیعی و سیستم‌های توصیه گر است. در کتاب Hands-On Machine Learning with C++، الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت را با استفاده از کتابخانه‌های سی پلاس پلاس مانندPyTorch C++ API ، Caffe2، Shogun،Shark-ML ، mlpack و dlib، و با کمک مثال‌ها و مجموعه داده‌های واقعی پیاده سازی خواهید کرد.

زبان ++C می‌تواند باعث شود که مدل‌های یادگیری ماشین شما سریعتر و کارآمدتر اجرا شوند. این راهنمای مفید به شما کمک می‌کند تا اصول یادگیری ماشین (ML) را بیاموزید و به شما نشان می‌دهد که چگونه از کتابخانه‌های سی پلاس پلاس برای بهره برداری بیشتر از داده‌های خود استفاده کنید. این کتاب با رویکرد مثال محور خود، یادگیری ماشین را با زبان سی پلاس پلاس برای مبتدیان آسان می‌کند و نشان می‌دهد که چگونه می‌توان الگوریتم‌های یادگیری ماشین تحت نظارت و نظارت نشده را از طریق مثال‌های واقعی پیاده سازی کرد.

این کتاب با تنظیم و بهینه سازی یک مدل برای موارد استفاده مختلف، به شما در انتخاب مدل و اندازه گیری عملکرد کمک می‌کند. شما با استفاده از کتابخانه‌های مدرن ++C مانند PyTorch C++ API، Caffe2، Shogun، Shark-ML، mlpack و dlib، تکنیک هایی مانند توصیه‌های محصول، یادگیری گروهی و تشخیص ناهنجاری را یاد خواهید گرفت. در ادامه، شما با استفاده از مثال هایی مانند طبقه بندی تصویر و تحلیل احساسات، شبکه‌های عصبی و یادگیری عمیق را بررسی خواهید کرد که به شما در حل مسائل مختلف کمک می‌کنند. همچنین، قبل از بررسی نحوه وارد کردن و صادر کردن مدل‌ها با استفاده از قالب ONNX، یاد خواهید گرفت که چگونه چالش‌های تولید و استقرار را در پلتفرم‌های همراه و ابری مدیریت کنید. با به پایان رساندن این کتاب، شما دانش واقعی سی پلاس پلاس و یادگیری ماشین و همچنین مهارت‌های استفاده از سی پلاس پلاس برای ساختن سیستم‌های قدرتمند یادگیری ماشین را در اختیار خواهید داشت.

اگر می‌خواهید با الگوریتم‌ها و تکنیک‌های یادگیری ماشین با استفاده از زبان محبوب ++C شروع به کار کنید، این کتاب یادگیری ماشین با سی پلاس پلاس برای شما مفید خواهد بود. این کتاب علاوه بر اینکه اولین دوره مفید در یادگیری ماشین با ++C است، همچنین برای تحلیل گران داده، دانشمندان داده و توسعه دهندگان یادگیری ماشین جذاب خواهد بود که به دنبال پیاده سازی مدل‌های مختلف یادگیری ماشین در تولید با استفاده از مجموعه داده‌ها و مثال‌های مختلف هستند. دانش پایه زبان برنامه نویسی سی پلاس پلاس برای شروع کار با این کتاب ضروری است.


مطالبی که در کتاب «یادگیری ماشین با زبان سی پلاس پلاس» خواهید آموخت:

  • بررسی نحوه‌ی بارگذاری و پیش پردازش انواع مختلف داده‌ها در ساختمان داده‌های مناسب سی پلاس پلاس
  • استفاده از الگوریتم‌های کلیدی یادگیری ماشین با کتابخانه‌های مختلف ++C
  • درک رویکرد grid-search برای پیدا کردن بهترین پارامتر‌ها برای یک مدل یادگیری ماشین
  • پیاده سازی الگوریتمی برای فیلتر کردن ناهنجاری‌ها در داده‌های کاربر با استفاده از توزیع گوسی
  • بهبود فیلتر‌های مشارکتی برای کار کردن با تنظیمات کاربری پویا
  • استفاده از API‌ها و کتابخانه‌های ++C برای مدیریت ساختار‌ها و پارامتر‌های مدل
  • پیاده سازی یک برنامه ++C برای حل کارهای طبقه بندی تصاویر با معماری LeNet

  

 

Table of Contents:
- Section 1: Overview of Machine Learning
- Chapter 1: Introduction to Machine Learning with C++
- Chapter 2: Data Processing
- Chapter 3: Measuring Performance and Selecting Models
- Section 2: Machine Learning Algorithms
- Chapter 4: Clustering
- Chapter 5: Anomaly Detection
- Chapter 6: Dimensionality Reduction
- Chapter 7: Classification
- Chapter 8: Recommender Systems
- Chapter 9: Ensemble Learning
- Section 3: Advanced Examples
- Chapter 10: Neural Networks for Image Classification
- Chapter 11: Sentiment Analysis with Recurrent Neural Networks
- Section 4: Production and Deployment Challenges
- Chapter 12: Exporting and Importing Models
- Chapter 13: Deploying Models on Mobile and Cloud Platforms
like می پسندم
dislike به درد نمی خوره
مطالب مشابه
دیدگاه ها
  • اولین نفری باشید که نظری می دهید!
loading...

لطفا منتظر بمانید...