کتاب MATLAB for Machine Learning – 2nd Edition: Unlock the power of deep learning for swift and enhanced results (متلب برای یادگیری ماشین – ویرایش دوم: قدرت یادگیری عمیق را برای نتایج سریع و بهبود یافته به کار گیرید) راهنمای جامعی است که خوانندگان را قادر می‌سازد تا از قابلیت‌های یادگیری عمیق برای نتایج سریع و بهبودیافته با استفاده از MATLAB استفاده کنند. این کتاب بینش‌های عملی و مثال‌های عملی را ارائه می‌کند تا به خوانندگان کمک کند تا پتانسیل تکنیک‌های یادگیری عمیق را در محیط MATLAB باز کنند.
چه یک تازه کار یا یک متخصص با تجربه باشید، این نسخه شما را با دانش و ابزار‌های ضروری برای استفاده از MATLAB برای یادگیری ماشین مجهز می‌کند و شما را قادر می‌سازد به نتایج کارآمد و پیشرفته در پروژه‌های خود برسید. با تمرکز بر کاربرد عملی، این کتاب یک منبع ارزشمند برای هر کسی است که به دنبال کاوش در قلمرو یادگیری ماشین با استفاده از MATLAB است.
در ادامه مقدمه‌ای از کتاب MATLAB for Machine Learning را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب MATLAB for Machine Learning:
MATLAB یک محیط برنامه‌نویسی جامع است که توسط بسیاری از محققان و کارشناسان ریاضی برای یادگیری ماشین استفاده می‌شود. این کتاب به شما کمک می‌کند تا مفاهیم اساسی در یادگیری ماشینی و یادگیری عمیق را با استفاده از متلب بیاموزید و سپس مهارت‌های اولیه خود را با برنامه‌های پیشرفته اصلاح کنید.
شما با کاوش در ابزار‌هایی که محیط متلب برای یادگیری ماشین ارائه می‌دهد شروع می‌کنید و نحوه تعامل آسان با فضای کاری متلب را مشاهده می‌کنید. سپس به پاکسازی داده‌ها، استخراج و تجزیه و تحلیل انواع مختلف داده‌ها در یادگیری ماشین می‌پردازیم، و خواهید دید که چگونه مقادیر داده‌ها را در یک نمودار تجسم کنید.
سپس، با انواع مختلف تکنیک‌های طبقه‌بندی و رگرسیون و نحوه اعمال آن‌ها بر روی داده‌های خود، با استفاده از توابع MATLAB آشنا می‌شوید. علاوه بر این، مفاهیم اساسی شبکه‌های عصبی را درک خواهید کرد و برازش داده‌ها، تشخیص الگو و تجزیه و تحلیل خوشه‌بندی را انجام خواهید داد.
همچنین تکنیک‌های انتخاب ویژگی و استخراج را برای کاهش ابعاد برای بهبود عملکرد بررسی خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه از ابزار‌های MATLAB برای یادگیری عمیق و مدیریت شبکه‌های عصبی کانولوشنال استفاده کنید.
در پایان کتاب MATLAB for Machine Learning، یاد می‌گیرید که چگونه همه آن‌ها را در مواردی در دنیای واقعی که الگوریتم‌های اصلی یادگیری ماشینی را پوشش می‌دهند، کنار هم قرار دهید، و وقتی به یادگیری ماشین با MATLAB می‌پردازید، احساس اطمینان خواهید کرد.
بیشتر بخوانید: کتاب MATLAB for Engineering Applications
کتاب MATLAB for Machine Learning برای چه کسی است؟
این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده، مهندسین یادگیری عمیق و مهندسین CV/NLP که می‌خواهند از MATLAB برای یادگیری ماشین و یادگیری عمیق استفاده کنند، مناسب است. شما باید درک اساسی از مفاهیم برنامه‌نویسی داشته باشید.
بیشتر بخوانید: کتاب Machine and Deep Learning Using MATLAB
آنچه کتاب MATLAB for Machine Learning پوشش می‌دهد:
فصل ۱، کاوش در MATLAB برای یادگیری ماشین، یادگیری ماشینی را پوشش می‌دهد، که شاخه‌ای از هوش مصنوعی است که مبتنی بر توسعه الگوریتم‌ها و مدل‌های ریاضی است که قادر به یادگیری از داده‌ها و سازگاری مستقل برای بهبود عملکرد آن‌ها مطابق با اهداف است.
تنظیم. به لطف این توانایی یادگیری، یادگیری ماشین در طیف وسیعی از کاربرد‌ها مانند تجزیه و تحلیل داده‌ها، CV، ترجمه متن، تشخیص گفتار، تشخیص پزشکی و پیش‌بینی ریسک مالی استفاده می‌شود. یادگیری ماشینی یک حوزه تحقیقاتی در حال تکامل است و در حال متحول کردن بسیاری از زمینه‌های علم و صنعت است. هدف این فصل از کتاب MATLAB for Machine Learning، ارائه برخی مقدمه، اطلاعات پیش زمینه و دانش اولیه ابزار‌های متلب است. علاوه بر این، مفاهیم اساسی یادگیری ماشین معرفی خواهد شد.
فصل ۲ کتاب MATLAB for Machine Learning، کار با داده‌ها در متلب، به نحوه وارد کردن و سازماندهی داده‌های ما در متلب می‌پردازد. امروزه، حجم داده‌های تولید شده بسیار زیاد است. گوشی‌های هوشمند، کارت‌های اعتباری، تلویزیون‌ها، رایانه‌ها، لوازم خانگی، حسگر‌ها، سیستم‌های خانگی، حمل‌ونقل عمومی و خصوصی و غیره تنها چند نمونه از دستگاه‌هایی هستند که داده‌ها را یکپارچه تولید می‌کنند.
چنین داده‌هایی ذخیره می‌شوند و سپس برای مقاصد مختلف مورد استفاده قرار می‌گیرند. یکی از این‌ها تجزیه و تحلیل داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین است. برای وارد کردن و سازماندهی داده‌های ما در متلب، باید با فضای کاری متلب آشنا شوید تا عملیات تا حد امکان ساده شود. سپس، فرمت‌های مختلف موجود برای داده‌های جمع‌آوری‌شده و نحوه انتقال داده‌ها به داخل و خارج از MATLAB را تجزیه و تحلیل می‌کنیم.
ما همچنین انواع داده‌ها را برای کار با متغیر‌های گروه‌بندی و داده‌های طبقه‌بندی و نحوه صادرات داده‌ها از فضای کاری، از جمله آرایه سلولی، آرایه ساختاری، و داده‌های جدولی و ذخیره آن‌ها در یک فرمت فایل با پشتیبانی MATLAB را بررسی خواهیم کرد. در نهایت، نحوه سازماندهی داده‌ها را در قالب صحیح برای مرحله بعدی تجزیه و تحلیل داده‌ها خواهیم فهمید.
فصل ۳ کتاب MATLAB for Machine Learning، پیش‌بینی با استفاده از طبقه‌بندی و رگرسیون، به ما نشان می‌دهد که چگونه یک شی را با استفاده از نزدیک‌ترین همسایگان طبقه‌بندی کنیم و چگونه یک تحلیل رگرسیون دقیق را در محیط MATLAB انجام دهیم.
الگوریتم‌های طبقه‌بندی، پیش‌بینی‌های دقیقی را بر اساس مشاهدات ما ارائه می‌دهند. با شروع از مجموعه‌ای از برچسب‌های کلاس از پیش تعریف شده، طبقه‌بندی‌کننده به هر داده ورودی یک برچسب کلاس، با توجه به مدل آموزشی اختصاص می‌دهد. رگرسیون مجموعه‌ای از متغیر‌های مستقل را به یک متغیر وابسته مرتبط می‌کند. از طریق این تکنیک، می‌توان فهمید که چگونه مقدار متغیر وابسته با تغییر متغیر مستقل تغییر می‌کند.
فصل ۴ کتاب MATLAB for Machine Learning، تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد، روش‌های خوشه‌بندی را بررسی می‌کند که برای یافتن الگو‌ها یا گروه‌بندی‌های پنهان در یک مجموعه داده طراحی شده‌اند. این الگوریتم‌ها گروه‌بندی را بدون هیچ برچسبی برای یادگیری از طریق انتخاب خوشه‌ها بر اساس شباهت بین عناصر شناسایی می‌کنند.
کاهش ابعاد فرآیند تبدیل مجموعه‌ای از داده‌ها با متغیر‌های زیاد به داده‌هایی با ابعاد کمتر اما اطمینان از اطلاعات مشابه است. رویکرد‌های انتخاب ویژگی سعی در یافتن زیرمجموعه‌ای از متغیر‌های اصلی دارند.
استخراج ویژگی، ابعاد داده‌ها را با تبدیل آن‌ها به ویژگی‌های جدید کاهش می‌دهد. این فصل از کتاب MATLAB for Machine Learning، به ما نشان می‌دهد که چگونه داده‌ها را به خوشه‌ها یا گروه‌بندی موارد مشابه تقسیم کنیم. همچنین یاد خواهیم گرفت که چگونه ویژگی را انتخاب کنیم که مجموعه داده را به بهترین شکل نشان دهد.
فصل ۵، معرفی مدل‌سازی شبکه‌های عصبی مصنوعی، به بررسی شبکه‌های عصبی مصنوعی (ANN) می‌پردازد که شامل ساختار‌های داده و الگوریتم‌هایی برای یادگیری و طبقه‌بندی داده‌ها است.
از طریق تکنیک‌های شبکه عصبی، یک برنامه می‌تواند با مثال یاد بگیرد و یک ساختار داخلی از قوانین برای طبقه‌بندی ورودی‌های مختلف ایجاد کند. MATLAB الگوریتم‌ها، مدل‌های از پیش آموزش‌دیده و برنامه‌هایی را برای ایجاد، آموزش، تجسم و شبیه‌سازی شبکه‌های عصبی مصنوعی ارائه می‌کند. در این فصل از کتاب MATLAB for Machine Learning، نحوه استفاده از MATLAB برای ساخت یک مدل مبتنی بر ANN برای پیش‌بینی مقادیر و طبقه‌بندی داده‌ها را خواهیم دید.
فصل ۶ کتاب MATLAB for Machine Learning، یادگیری عمیق و شبکه‌های عصبی کانولوشن، یادگیری عمیق را بررسی می‌کند، که یک فناوری یادگیری ماشینی مبتنی بر شبکه‌های عصبی چندلایه است و به بسیاری از برنامه‌ها اجازه می‌دهد تا به درجه بالایی از دقت دست یابند. شبکه‌های عصبی عمیق قادر به مدل‌سازی روابط پیچیده بین داده‌های ورودی و خروجی هستند. یکی از موفق‌ترین برنامه‌ها بینایی کامپیوتر است، با وظایفی که شامل طبقه‌بندی، رگرسیون تصویر و تشخیص‌اشیا می‌شود.
به عنوان مثال، یک شبکه عصبی عمیق می‌تواند نمایش لایه‌ای از‌اشیاء را ایجاد کند که در آن هر شی با مجموعه‌ای از ویژگی‌ها که شکل اولیه‌های بصری دارند، مانند لبه‌های خاص، خطوط جهت‌دار، بافت‌ها و الگو‌های تکرارشونده شناسایی می‌شوند. شبکه‌های کانولوشن با لایه‌های کانولوشن مشخص می‌شوند که از فیلتر‌ها برای تجزیه و تحلیل داده‌ها در یک منطقه محلی و تولید یک نقشه فعال‌سازی استفاده می‌کنند.
سپس این نقشه‌های فعال‌سازی توسط لایه‌های ادغام پردازش می‌شوند، که داده‌های با وضوح پایین را جمع‌آوری می‌کنند تا ابعاد نمایش را کاهش دهند و پردازش را از نظر محاسباتی کارآمدتر کنند. سپس لایه‌های کانولوشنال و ادغام چندین بار متناوب می‌شوند تا زمانی که یک تصویر با یک نقشه فعال‌سازی با وضوح پایین نمایش داده شود. در این فصل، مفاهیم اساسی یادگیری عمیق را یاد می‌گیریم و نحوه پیاده‌سازی یک الگوریتم مبتنی بر شبکه‌های کانولوشن را در محیط متلب کشف می‌کنیم.
فصل ۷، پردازش زبان طبیعی با استفاده از MATLAB، پردازش زبان طبیعی (NLP) را بررسی می‌کند، که به طور خودکار اطلاعات منتقل شده از طریق زبان گفتاری یا نوشتاری را پردازش می‌کند. این کار پر از سختی و پیچیدگی است که بیشتر به دلیل ابهام ذاتی زبان انسان است.
برای فعال کردن یادگیری ماشینی و تعامل با جهان به روش‌های معمولی برای انسان‌ها، نه تنها ذخیره داده‌ها، بلکه آموزش همزمان به ماشین‌ها ضروری است که چگونه آن‌ها را به طور همزمان به مفاهیم معنادار ترجمه کنند. همانطور که زبان طبیعی با محیط تعامل می‌کند، دانش پیش‌بینی‌کننده تولید می‌کند. در این فصل از کتاب MATLAB for Machine Learning، با مفاهیم اولیه NLP و نحوه ساخت مدلی برای برچسب زدن جملات آشنا می‌شویم.
فصل ۸ کتاب MATLAB for Machine Learning، متلب برای پردازش تصویر و بینایی کامپیوتری، بینایی کامپیوتر را پوشش می‌دهد، که حوزه‌ای است که به مطالعه نحوه پردازش، تجزیه و تحلیل و درک محتوای داده‌های بصری می‌پردازد. در تجزیه و تحلیل محتوای تصویر، ما از الگوریتم‌های بینایی کامپیوتری زیادی برای ایجاد درک خود از‌اشیاء در یک تصویر استفاده می‌کنیم.
بینایی کامپیوتری جنبه‌های مختلفی از تجزیه و تحلیل تصویر را پوشش می‌دهد، مانند تشخیص‌اشیا، تجزیه و تحلیل شکل، تخمین ژست، مدل‌سازی سه بعدی و جستجوی بصری. انسان‌ها در شناسایی و تشخیص چیز‌های اطراف خود خوب هستند! هدف بینایی کامپیوتر مدل‌سازی دقیق سیستم بینایی انسان با استفاده از کامپیوتر است. در این فصل از کتاب MATLAB for Machine Learning، مفاهیم اساسی بینایی کامپیوتر و نحوه پیاده‌سازی مدلی برای تشخیص‌اشیا با استفاده از متلب را خواهیم فهمید.
فصل نهم، تحلیل و پیش‌بینی سری‌های زمانی با متلب، به داده‌های سری زمانی می‌پردازد، که اساساً دنباله‌ای از اندازه‌گیری‌ها هستند که در طول زمان جمع‌آوری می‌شوند. این اندازه‌گیری‌ها با توجه به یک متغیر از پیش تعیین شده و در فواصل زمانی معین انجام می‌شود. یکی از ویژگی‌های اصلی داده‌های سری زمانی این است که ترتیب اهمیت دارد. فهرست مشاهداتی که ما جمع‌آوری می‌کنیم در یک جدول زمانی مرتب شده‌اند، و ترتیب ظاهر شدن آن‌ها چیز‌های زیادی در مورد الگو‌های زیربنایی می‌گوید.
اگر ترتیب را تغییر دهید، معنای داده‌ها کاملاً تغییر می‌کند. داده‌های متوالی مفهومی تعمیم‌یافته است که شامل هر داده‌ای است که به شکل متوالی از جمله داده‌های سری زمانی می‌آید. در این فصل از کتاب MATLAB for Machine Learning، مفاهیم اولیه داده‌های ترتیبی و نحوه ساخت مدلی که الگوی سری‌های زمانی یا به طور کلی هر دنباله‌ای را توصیف می‌کند، یاد می‌گیریم.
فصل ۱۰ کتاب MATLAB for Machine Learning، ابزار MATLAB برای سیستم‌های توصیه‌کننده، موتور توصیه‌ای را بررسی می‌کند، که مدلی است که می‌تواند پیش‌بینی کند کاربر ممکن است به چه چیزی علاقه‌مند باشد. وقتی این را در زمینه فیلم‌ها اعمال می‌کنیم، برای مثال، این موتور به یک موتور توصیه فیلم تبدیل می‌شود. ما موارد موجود در پایگاه داده خود را با پیش‌بینی اینکه کاربر فعلی چگونه ممکن است به آن‌ها امتیاز دهد فیلتر می‌کنیم.
این به ما کمک می‌کند تا کاربر را به محتوای مناسب در مجموعه داده خود متصل کنیم. چرا این مربوط است؟ اگر کاتالوگ عظیمی دارید، کاربر ممکن است تمام محتوای مربوط به خود را پیدا کند یا نکند. با توصیه محتوای مناسب، مصرف را افزایش می‌دهید. شرکت‌هایی مانند نتفلیکس به شدت به توصیه‌هایی برای درگیر نگه داشتن کاربر متکی هستند. در این فصل از کتاب MATLAB for Machine Learning، با مفاهیم اولیه سیستم‌های توصیه‌گر و نحوه ساخت سیستم توصیه فیلم با استفاده از متلب آشنا می‌شویم.
فصل یازدهم کتاب MATLAB for Machine Learning، تشخیص ناهنجاری در متلب، مفاهیم اساسی یک سیستم تشخیص ناهنجاری و نحوه پیاده‌سازی آن در متلب را به شما آموزش می‌دهد. یک سیستم فیزیکی، در چرخه عمر خود، ممکن است در معرض خرابی‌ها یا نقص‌هایی باشد که می‌تواند عملکرد عادی آن را به خطر بیندازد. بنابراین، معرفی یک سیستم تشخیص ناهنجاری با قابلیت جلوگیری از وقفه‌های بحرانی ضروری است.
این سیستم تشخیص عیب نامیده می‌شود و می‌تواند وجود احتمالی نقص در سیستم نظارت شده را شناسایی کند. جستجوی عیب یکی از مهمترین و واجد شرایط‌ترین مراحل مداخله تعمیر و نگهداری است و باید به صورت سیستماتیک و قطعی عمل کرد. برای انجام یک جستجوی کامل برای عیب، لازم است تمام علل احتمالی که ممکن است آن را تعیین کرده باشد، تجزیه و تحلیل کنید.
سرفصل‌های کتاب MATLAB for Machine Learning:
- MATLAB for Machine Learning
- Contributors
- About the author
- About the reviewers
- Preface
- Part 1: Getting Started with Matlab
- Chapter 1: Exploring MATLAB for Machine Learning
- Chapter 2: Working with Data in MATLAB
- Part 2: Understanding Machine Learning Algorithms in MATLAB
- Chapter 3: Prediction Using Classification and Regression
- Chapter 4: Clustering Analysis and Dimensionality Reduction
- Chapter 5: Introducing Artificial Neural Network Modeling
- Chapter 6: Deep Learning and Convolutional Neural Networks
- Part 3: Machine Learning in Practice
- Chapter 7: Natural Language Processing Using MATLAB
- Chapter 8: MATLAB for Image Processing and Computer Vision
- Chapter 9: Time Series Analysis and Forecasting with MATLAB
- Chapter 10: MATLAB Tools for Recommender Systems
- Chapter 11: Anomaly Detection in MATLAB
- Index
- Other Books You May Enjoy
جهت دانلود کتاب MATLAB for Machine Learning می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.