کتاب Machine and Deep Learning Using MATLAB: Algorithms and Tools for Scientists and Engineers (یادگیری ماشینی و عمیق با استفاده از متلب: الگوریتم‌ها و ابزارها برای دانشمندان و مهندسان) مسائل مربوط به یادگیری ماشین و یادگیری عمیق را با استفاده از نرم‌افزار قدرتمند MATLAB پیاده‌سازی می‌کند.
در ادامه مقدمه‌ای از کتاب Machine and Deep Learning Using MATLAB را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine and Deep Learning Using MATLAB:
به \”ماشین و یادگیری عمیق با استفاده از الگوریتم‌ها و ابزارهای متلب برای دانشمندان و مهندسان\” خوش آمدید. در دنیای داده محور امروزی، یادگیری ماشینی و یادگیری عمیق به ابزارهای ضروری برای دانشمندان و مهندسان در رشته‌های مختلف تبدیل شده‌اند. هدف این کتاب ارائه راهنمای جامع برای درک و بکارگیری این تکنیک‌ها با استفاده از الگوریتم‌ها و ابزارهای متلب است. که به ده فصل تقسیم شده است، \”ماشین و یادگیری عمیق با استفاده از الگوریتم‌ها و ابزارهای متلب برای دانشمندان و مهندسان\” پوشش جامعی از تکنیک‌های یادگیری ماشین و یادگیری عمیق ارائه می‌دهد.
کتاب Machine and Deep Learning Using MATLAB یک رویکرد گام‌به‌گام دارد و خوانندگان را از طریق فرآیند به دست آوردن، تجزیه و تحلیل و پیش‌بینی الگو‌ها در داده‌های عددی و تصویری راهنمایی می‌کند. پنج فصل اول پایه محکمی را در یادگیری ماشین ارائه می‌کنند که یادگیری بدون نظارت، طبقه‌بندی، بهبود مدل پیش‌بینی، رگرسیون خطی و شبکه‌های عصبی را پوشش می‌دهد.
از طریق توضیحات واضح، مثال‌های عملی و مطالعات موردی عملی، خوانندگان دانش و مهارت‌های لازم برای به کارگیری این تکنیک‌ها را در تلاش‌های علمی و مهندسی خود توسعه خواهند داد. خوانندگان تکنیک‌های مختلفی را که به طور گسترده در این زمینه مورد استفاده قرار می‌گیرند، از جمله خوشه‌بندی، طبقه‌بندی، رگرسیون و انتخاب ویژگی بررسی خواهند کرد. این پنج فصل یک پایه محکم در مفاهیم و روش‌های یادگیری ماشین ارائه می‌کنند و به خوانندگان این امکان را می‌دهند تا درک عمیقی از نحوه اعمال این تکنیک‌ها در مسائل دنیای واقعی به دست آورند.
فصل اول کتاب Machine and Deep Learning Using MATLAB بر تکنیک‌های یادگیری ماشینی بدون نظارت متمرکز است. روش‌هایی مانند مقیاس‌گذاری چند بعدی کلاسیک، تجزیه و تحلیل مؤلفه اصلی (PCA)، خوشه‌بندی k-Means، خوشه‌بندی مدل مخلوط گاوسی (GMM) و انتخاب ویژگی با استفاده از لاپلاسین را بررسی می‌کند. این فصل ابزارهایی برای تجسم و مشاهده خوشه‌ها و همچنین خوشه‌بندی سلسله مراتبی ارائه می‌دهد. خوانندگان از طریق مطالعات موردی عملی، از جمله تجزیه و تحلیل داده‌های ویژگی‌های گل زنبق، ویژگی‌های داده یونوسفر، داده‌های ماشین کوچک و داده‌های ویژگی‌های دانه‌ها راهنمایی می‌شوند.
فصل دوم کتاب Machine and Deep Learning Using MATLAB به برازش داده‌ها با استفاده از مدل‌های طبقه‌بندی مختلف می‌پردازد. این تکنیک‌های طبقه‌بندی مانند K-Nearest Neighbors (KNN)، درخت تصمیم‌گیری باینری، بی‌بی‌های ساده، تجزیه و تحلیل متمایز (DA)، ماشین بردار پشتیبانی (SVM)، SVM چند کلاسه، و طبقه‌بندی‌کننده خطی باینری را معرفی می‌کند. این فصل همچنین برنامه یادگیرنده طبقه‌بندی MATLAB را نشان می‌دهد که به کاربران اجازه می‌دهد این تکنیک‌ها را بدون نوشتن کد کشف کنند. از طریق مطالعات موردی شامل داده‌های خوراکی قارچ، داده‌های درآمد سرشماری بزرگسالان، طبقه‌بندی شراب سفید، داده‌های آریتمی قلبی، و داده‌های تشخیص سرطان پستان، خوانندگان تجربه عملی در اجرای روش‌های مورد بحث به دست می‌آورند.
فصل سوم کتاب Machine and Deep Learning Using MATLAB روش‌هایی برای بهبود مدل‌های پیش‌بینی در یادگیری ماشین را پوشش می‌دهد. موضوعاتی مانند اعتبار سنجی متقاطع، تغییر و انتخاب ویژگی، تحلیل عاملی، انتخاب ویژگی متوالی (SFS)، متغیر‌های ساختگی، و یادگیری گروهی را بررسی می‌کند.
این فصل از کتاب Machine and Deep Learning Using MATLAB همچنین انتخاب ویژگی با استفاده از تجزیه و تحلیل مؤلفه‌های همسایگی (NCA) را برای مشکلات رگرسیون معرفی می‌کند. خوانندگان یاد خواهند گرفت که چگونه از برنامه Regression Learner برای انجام انتخاب و تبدیل ویژگی استفاده کنند. از طریق مطالعات موردی شامل داده‌های یونوسفر، مجموعه داده‌های سونار، طبقه‌بندی شراب سفید، و داده‌های خودرو‌های کوچک (مورد رگرسیون)، خوانندگان تجربه عملی در اجرای این تکنیک‌ها به دست می‌آورند.
فصل چهارم بر روش‌های رگرسیون خطی ML تمرکز دارد. رویکرد‌های مختلفی از جمله برازش مدل‌های رگرسیون خطی با استفاده از تابع fitlm/fitglm، مدل‌های رگرسیون غیرپارامتری، رگرسیون فرآیند گاوسی (GPR)، رگرسیون خطی پارامتریک منظم، کمند، و رگرسیون خطی پارامتریک گام‌به‌گام را پوشش می‌دهد. مطالعات موردی عملی، مانند قیمت خانه بوستون، داده‌های آتش‌سوزی جنگل، داده‌های نظارت از راه دور بیماری پارکینسون، و داده‌های اقتصاد سوخت خودرو، خوانندگان را قادر می‌سازد این روش‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند.
فصل پنجم کتاب Machine and Deep Learning Using MATLAB شبکه‌های عصبی را برای کار‌های طبقه‌بندی و رگرسیون بررسی می‌کند. این شبکه‌های عصبی FeedForward و ابزار تشخیص الگوی شبکه عصبی (nprtool) را برای طبقه‌بندی معرفی می‌کند.
مشکلات، و همچنین رگرسیون شبکه عصبی پیش‌خور و رگرسیون شبکه عصبی (nftool) برای برازش داده‌ها. این فصل شامل آموزش مدل رگرسیون شبکه عصبی با استفاده از تابع fitrnet، یافتن قدرت منظم‌سازی بهینه از طریق اعتبارسنجی متقابل و بهینه‌سازی فراپارامتر سفارشی در رگرسیون شبکه عصبی است.
مطالعات موردی شامل داده‌های خوراکی قارچ، داده‌های درآمد سرشماری بزرگسالان در سال ۱۹۹۴، تشخیص سرطان پستان، داده‌های خودرو‌های کوچک (مورد رگرسیون)، و قیمت خانه بوستون، خوانندگان را قادر می‌سازد تا این تکنیک‌ها را به طور مؤثر اجرا کنند.
پنج فصل باقی‌مانده بر روی دنیای هیجان انگیز یادگیری عمیق تمرکز دارند. یادگیری عمیق به دلیل توانایی آن در تجزیه و تحلیل الگوهای پیچیده در مجموعه داده‌های بزرگ، به ویژه در زمینه تجزیه و تحلیل تصویر، محبوبیت قابل توجهی به دست آورده است.
در این فصل‌ها از کتاب Machine and Deep Learning Using MATLAB، خوانندگان موضوعاتی مانند شبکه‌های عصبی، یادگیری انتقال، شبکه‌های عصبی کانولوشنال (CNN)، تشخیص اشیا و شبکه‌های عصبی مکرر (RNN) را بررسی خواهند کرد.
علاوه بر این، کتاب Machine and Deep Learning Using MATLAB ابزارهای متلب مبتنی بر تصویر/ویدئو را معرفی می‌کند که اجرای الگوریتم‌های یادگیری عمیق را تسهیل می‌کند و امکان تجزیه و تحلیل تصاویر و فیلم‌ها را فراهم می‌کند. این پنج فصل باقی‌مانده بر اساس پایه‌ای است که در فصل‌های قبلی ایجاد شد و به موضوعات و تکنیک‌های پیشرفته‌تر می‌پردازد.
از طریق مثال‌های عملی، مطالعات موردی و پیاده‌سازی عملی، خوانندگان دانش و مهارت‌های لازم را برای اعمال یادگیری انتقال، معماری CNN، تشخیص اشیا، RNN و ابزارهای متلب مبتنی بر تصویر/ویدئو برای انواع مشکلات دنیای واقعی به دست می‌آورند.
فصل ششم کتاب Machine and Deep Learning Using MATLAB بر یادگیری انتقال شبکه‌های عصبی از پیش آموزش دیده تمرکز دارد. موضوعاتی مانند ذخیره‌سازی داده در MATLAB، ذخیره‌سازی تصویر و تصویر افزوده، آموزش مجدد برای تشخیص تصویر، لایه‌های شبکه عصبی کانولوشنال (CNN)، کانال‌ها و فعال‌سازی‌ها، و استخراج ویژگی برای یادگیری ماشینی را پوشش می‌دهد.
به‌علاوه، این فصل توضیح‌دهنده‌های پیش‌بینی اشیاء شبکه مانند حساسیت انسداد، توضیح ویژگی‌های imageLIME، و توضیح ویژگی‌های gradCAM را بررسی می‌کند. از طریق مطالعات موردی شامل بازآموزی CNN برای پیش‌بینی‌های مختلف، مانند کرم‌های گرد زنده یا مرده، تصاویر غذا، داده‌های کالا، طیف‌نگارهای ابزار موسیقی، و انواع میوه/سبزی، خوانندگان تجربه عملی در به کارگیری این تکنیک‌ها به دست می‌آورند.
فصل هفتم کتاب Machine and Deep Learning Using MATLAB به معماری و آموزش شبکه‌های عصبی کانولوشنال (CNN) می‌پردازد. موضوعاتی مانند گزینه‌های آموزشی، فیلترها در لایه‌های کانولوشن، داده‌های اعتبارسنجی، بهبود عملکرد شبکه، تقویت تصویر با استفاده از مجموعه داده‌های Flowers، شبکه‌های گراف‌های غیر چرخه هدایت‌شده، طراح شبکه عمیق (DND)، و تقسیم‌بندی معنایی را پوشش می‌دهد. به خوانندگان مطالعات موردی ارائه می‌شود که شامل ایجاد CNN برای پیش‌بینی‌هایی مانند کرم‌های گرد زنده یا مرده، تصاویر غذا، داده‌های کالا، طیف‌نگارهای ابزار موسیقی، و اشعه ایکس قفسه سینه است. با دنبال کردن این مثال‌ها، خوانندگان درک عمیق‌تری از معماری و روش‌های آموزشی CNN پیدا می‌کنند.
فصل هشتم کتاب Machine and Deep Learning Using MATLAB طبقه بندی رگرسیون و تشخیص اشیا را بررسی می‌کند. این شامل موضوعاتی مانند آماده‌سازی داده‌ها برای رگرسیون، طراح شبکه عمیق (DND) برای رگرسیون، آشکارسازهای شی YOLO، تشخیص اشیا با استفاده از مناطق با شبکه‌های عصبی کانولوشن (R-CNN)، آموزش انتقال R-CNN (آموزش مجدد)، ارزیابی عملکرد DetectionPrecision برای Precision Metric، و DetectionMisRate را برای Miss Rate Metric ارزیابی کنید. از طریق مطالعات موردی شامل آزمایش آشکارسازهای شی، ایجاد آشکارسازهای شی مبتنی بر CNN، و ایجاد آشکارسازهای شی سریع R-CNN مبتنی بر GoogleNet، خوانندگان تجربه عملی در طبقه‌بندی رگرسیون و وظایف تشخیص اشیا به دست می‌آورند.
فصل نهم کتاب Machine and Deep Learning Using MATLAB بر شبکه‌های عصبی بازگشتی (RNN) تمرکز دارد. این شامل موضوعاتی مانند حافظه کوتاه مدت بلند مدت (LSTM) و شبکه‌های BiLSTM، طبقه‌بندی توالی‌های طبقه بندی شده، رگرسیون دنباله به دنباله با استفاده از یادگیری عمیق، طبقه‌بندی داده‌های متنی برای تجزیه و تحلیل خرابی تجهیزات کارخانه، شبکه‌های تولید متن کلمه به کلمه برای زمان بندی است. پیش بینی سری با استفاده از Deep Network Designer (DND) و آموزش شبکه با ویژگی‌های عددی. این فصل مطالعات موردی شامل طبقه‌بندی متن، رگرسیون متن و طبقه‌بندی چند متغیره را ارائه می‌کند و به خوانندگان اجازه می‌دهد تا تکنیک‌های RNN را در مجموعه داده‌های دنیای واقعی اعمال کنند.
فصل دهم کتاب Machine and Deep Learning Using MATLAB ابزارهای متلب مبتنی بر تصویر/ویدئو را پوشش می‌دهد. این ابزار ابزارهایی مانند Image Labeler (IL)، Video Labeler (VL)، Ground Truth Labeler (GTL)، Experiment Manager (EM) و Image Batch Processor (IBP) را معرفی می‌کند.
خوانندگان از طریق مطالعات موردی شامل وظایفی مانند برچسب‌گذاری ویدئو، آموزش و پیش‌بینی و همچنین تنظیم فراپارامتر برای آموزش مجدد CNN هدایت می‌شوند. با کار بر روی این مثال‌ها، خوانندگان تجربه عملی با ابزارهای متلب مبتنی بر تصویر/ویدئو به دست می‌آورند و یاد می‌گیرند که چگونه آنها را به طور موثر اعمال کنند.
کتاب Machine and Deep Learning Using MATLAB با پوشش هر دو یادگیری ماشینی و یادگیری عمیق، درک جامعی از این تکنیک‌های قدرتمند را در اختیار خوانندگان قرار می‌دهد. رویکرد گام‌به‌گام تضمین می‌کند که خوانندگان می‌توانند به تدریج دانش و مهارت‌های خود را ایجاد کنند، از مبانی یادگیری ماشین شروع کنند و به موضوعات پیشرفته تر در یادگیری عمیق بپردازند. در طول کتاب، خواننده تجربه عملی را از طریق مثال‌های عملی و مطالعات موردی به دست می‌آورد و آنها را قادر می‌سازد تا تکنیک‌های آموخته شده را در پروژه‌ها و تحقیقات خود به کار گیرند.
هر فصل کتاب Machine and Deep Learning Using MATLAB، از یک روش سازگار برای اطمینان از وضوح و سهولت درک پیروی می‌کند. ابتدا توابع داخلی MATLAB مرتبط با موضوع، همراه با ویژگی‌ها، محدودیت‌ها و کاربرد آنها معرفی می‌شوند. نمونه‌های کامل اجرا به همراه کد متلب مربوطه ارائه شده است.
نتایج در قالب شکل‌ها و جداول در کنار کد ارائه شده است که امکان درک بهتر مفاهیم را فراهم می‌کند. علاوه بر این، ابزارها و برنامه‌های MATLAB توضیح داده شده و در صورت لزوم مورد استفاده قرار می‌گیرند و یک رویکرد جایگزین برای دستیابی به نتایج ارائه می‌دهند.
آزمون‌ها در هر فصل گنجانده شده‌اند تا درک شما را محک بزنند، و یادداشت‌های مهم برای جلب توجه شما به نکات مهم و مشکلات احتمالی برجسته شده‌اند. در نهایت، مشکلات پایان فصل برای تقویت مفاهیم تحت پوشش طراحی شده‌اند و به عنوان فرصت‌هایی برای اعمال روش‌ها در مطالعات موردی در دنیای واقعی عمل می‌کنند.
در سراسر کتاب Machine and Deep Learning Using MATLAB، طیف گسترده‌ای از مجموعه داده‌ها برای نشان دادن مفاهیم و تکنیک‌های مورد بحث استفاده شده است. از داده‌های ویژگی‌های گل زنبق گرفته تا مجموعه داده‌های قیمت Boston House، از داده‌های خوراکی قارچ گرفته تا تجزیه و تحلیل متن خرابی تجهیزات کارخانه، تجربه عملی در حل مسائل مختلف با استفاده از الگوریتم‌ها و ابزارهای متلب به دست خواهید آورد.
شایان ذکر است که راهنمای حل مسائل پایان فصل به طور انحصاری در اختیار مربیان قرار خواهد گرفت و به آنها امکان می‌دهد تا دانش‌آموزان را در فرآیند یادگیری راهنمایی کنند. با این حال، مجموعه داده‌ها، تصاویر یا ویدیو‌ها برای همه نمونه‌های در حال اجرا و برای مشکلات پایان فصل در Wiley\’s Web companion برای همه کاربران و خوانندگان کتاب در دسترس خواهد بود.
آدرس وب‌سایت همراه این است: www.wiley.com/go/al-malah/machinelearningmatlab این کتاب می‌خواهد منبع ارزشمندی برای هر کسی باشد که به دنبال استفاده از قدرت یادگیری ماشینی و یادگیری عمیق در تحقیقات یا تلاش‌های حرفه‌ای خود است. چه دانشمند، مهندس یا دانشجو باشید، این کتاب شما را با دانش و ابزار لازم برای مقابله با تحلیل داده‌ها و وظایف پیش‌بینی پیچیده مجهز می‌کند.
پوشش جامع و رویکرد عملی کتاب Machine and Deep Learning Using MATLAB را به منبعی ارزشمند برای هر کسی که به دنبال استفاده از قدرت یادگیری ماشینی و یادگیری عمیق در کار خود است تبدیل کرده است.
امیدواریم در سفر خود به دنیای ماشین و یادگیری عمیق با استفاده از الگوریتم‌ها و ابزار MATLAB، این کتاب برای شما روشن‌کننده و قدرتمند باشد.
سرفصل‌های کتاب Machine and Deep Learning Using MATLAB:
- Machine and Deep Learning Using MATLAB
- Contents
- Preface
- About the Companion Website
- 1 Unsupervised Machine Learning (ML) Techniques
- 2 ML Supervised Learning: Classification Models
- 3 Methods of Improving ML Predictive Models
- 4 Methods of ML Linear Regression
- 5 Neural Networks
- 6 Pretrained Neural Networks: Transfer Learning
- 7 A Convolutional Neural Network (CNN) Architecture and Training
- 8 Regression Classification: Object Detection
- 9 Recurrent Neural Network (RNN)
- 10 Image/Video-Based Apps
- Appendix A Useful MATLAB Functions
- Index
- EULA
جهت دانلود کتاب Machine and Deep Learning Using MATLAB می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.