کتاب Machine Learning Theory and Applications: Hands-on Use Cases with Python on Classical and Quantum Machines (تئوری و کاربردهای یادگیری ماشین: موارد استفاده عملی با پایتون در ماشین‌های کلاسیک و کوانتومی) مفاهیم یادگیری ماشین و کوانتوم را با استفاده از زبان برنامه‌نویسی پایتون آموزش می‌دهد.
در ادامه مقدمه‌ای از کتاب Machine Learning Theory and Applications را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine Learning Theory and Applications:
تئوری و کاربردهای یادگیری ماشین
خوانندگان را قادر می‌سازد مفاهیم ریاضی پشت الگوریتم‌های مهندسی داده و یادگیری ماشین را درک کنند و آن‌ها را با استفاده از کتابخانه‌های منبع باز Python به کار گیرند.
تئوری و کاربردهای یادگیری ماشین به قلمرو یادگیری ماشین و یادگیری عمیق می‌پردازد و کاربردهای عملی آن‌ها را با درک مفاهیم ریاضی و پیاده‌سازی آن‌ها در سناریو‌های دنیای واقعی با استفاده از پایتون و کتابخانه‌های منبع باز معروف بررسی می‌کند.
این راهنمای جامع طیف گسترده‌ای از موضوعات، از جمله آماده‌سازی داده‌ها، تکنیک‌های مهندسی ویژگی، الگوریتم‌های یادگیری ماشینی رایج مانند ماشین‌های بردار پشتیبان و شبکه‌های عصبی، و همچنین مدل‌های هوش مصنوعی و پایه را پوشش می‌دهد. برای تسهیل ایجاد خطوط لوله یادگیری ماشین، یک چارچوب منبع باز اختصاصی به نام hephAIstos به طور انحصاری برای این کتاب توسعه داده شده است.
بیشتر بخوانید: کتاب Modern Quantum Theory
علاوه بر این، این متن دامنه جذاب یادگیری ماشین کوانتومی را بررسی می‌کند و بینش‌هایی را در مورد اجرای برنامه‌های یادگیری ماشین در فناوری‌های سخت‌افزاری متنوع مانند CPU، GPU و QPU ارائه می‌دهد. در نهایت، این کتاب نحوه استقرار مدل‌های آموزش‌دیده را از طریق برنامه‌های کاربردی کانتینری با استفاده از Kubernetes و OpenShift و همچنین ادغام آن‌ها از طریق عملیات یادگیری ماشین (MLOps) توضیح می‌دهد.
موضوعات اضافی تحت پوشش کتاب Machine Learning Theory and Applications عبارتند از:
موارد استفاده فعلی از هوش مصنوعی، از جمله پیش‌بینی، تشخیص تصاویر و گفتار، انجام تشخیص‌های پزشکی، ایجاد زنجیره‌های تأمین هوشمند، پردازش زبان طبیعی و موارد دیگر.
الگوریتم‌های یادگیری ماشین‌های کلاسیک و کوانتومی مانند ماشین‌های بردار پشتیبان تقویت‌شده با کوانتومی (QSVM)، طبقه‌بندی چند کلاسه QSVM، شبکه‌های عصبی کوانتومی، و شبکه‌های متخاصم مولد کوانتومی (qGAN).
بیشتر بخوانید: کتاب Signal Processing and Machine Learning Theory
روش‌های مختلف برای دستکاری داده‌ها، مانند مدیریت داده‌های از دست رفته، تجزیه و تحلیل داده‌های طبقه‌بندی شده، یا پردازش داده‌های مربوط به زمان
قابلیت تغییر مقیاس، استخراج و انتخاب، و نحوه زنده کردن و تولید مدل‌های آموزش دیده خود از طریق برنامه‌های کاربردی کانتینری.
تئوری و کاربردهای یادگیری ماشین یک منبع ضروری برای دانشمندان داده، مهندسان، متخصصان و معماران فناوری اطلاعات و همچنین دانشجویان علوم کامپیوتر، ریاضیات و بیوانفورماتیک است. انتظار می‌رود خواننده برنامه‌نویسی پایتون و کتابخانه‌های پایه مانند NumPy یا Pandas و مفاهیم پایه ریاضی، به ویژه جبر خطی را درک کند.
سرفصل‌های کتاب Machine Learning Theory and Applications:
- Cover
- Title Page
- Copyright Page
- Dedication Page
- Contents
- Foreword
- Acknowledgments
- General Introduction
- Chapter 1 Concepts, Libraries, and Essential Tools in Machine Learning and Deep Learning
- Chapter 2 Feature Engineering Techniques in Machine Learning
- Chapter 3 Machine Learning Algorithms
- Chapter 4 Natural Language Processing
- Chapter 5 Machine Learning Algorithms in Quantum Computing
- Chapter 6 Machine Learning in Production
- Conclusion: The Future of Computing for Data Science?
- Index
- EULA
جهت دانلود کتاب Machine Learning Theory and Applications می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.