یادگیری ماشین و یادگیری عمیق با استفاده از متلب: الگوریتم ها و ابزار برای دانشمندان و مهندسین ۲۰۲۳
Machine and Deep Learning Using MATLAB: Algorithms and Tools for Scientists and Engineers 2023

دانلود کتاب یادگیری ماشین و یادگیری عمیق با استفاده از متلب: الگوریتم ها و ابزار برای دانشمندان و مهندسین ۲۰۲۳ (Machine and Deep Learning Using MATLAB: Algorithms and Tools for Scientists and Engineers 2023) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده

Kamal I. M. Al-Malah

ناشر: Wiley
voucher (1)

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار

2023

زبان

English

نوع فایل

epub, pdf

حجم

180 Mb, 50 Mb

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

🏷️ قیمت اصلی: ۳۷۸٬۰۰۰ تومان بود. قیمت فعلی: ۲۹۸٬۰۰۰ تومان.

📥 دانلود نسخه‌ی اصلی کتاب به زبان انگلیسی(PDF)
🧠 به همراه ترجمه‌ی فارسی با هوش مصنوعی 🔗 مشاهده جزئیات

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

توضیحات

معرفی کتاب یادگیری ماشین و یادگیری عمیق با استفاده از متلب: الگوریتم ها و ابزار برای دانشمندان و مهندسین ۲۰۲۳

یادگیری ماشین و یادگیری عمیق

منبعی جامع که به بررسی روش های یادگیری ماشین و یادگیری عمیق با استفاده از ابزارها و الگوریتم های متلب می پردازد و بینش هایی در مورد فرآیندهای تصمیم گیری الگوریتمی ارائه می دهد.

کتاب “یادگیری ماشین و یادگیری عمیق با استفاده از متلب” به متخصصان جوان در زمینه های مختلف، قدرت متلب را در اکتشاف کاربردهای یادگیری ماشین و یادگیری عمیق نشان می دهد. این کتاب با توضیح ابزار یا برنامه های متلب مرتبط و نحوه استفاده از آنها برای یک روش خاص یا مجموعه ای از روش ها، این موضوع را بررسی می کند. خواص این ابزارها از نظر آرگومان های ورودی و خروجی توضیح داده شده اند، محدودیت ها یا قابلیت های آنها با استفاده از متن یا جدول همراه ذکر شده اند، و یک نمونه کامل با تمام کدهای لازم در خط فرمان متلب نشان داده شده است.

این متن همچنین نتایج را به صورت نمودار یا جدول در کنار کد متلب ارائه می دهد، و کد متلب نوشته شده را می توان بعداً به عنوان یک الگو برای تلاش برای حل موارد یا مجموعه داده های جدید استفاده کرد. در سراسر متن، نمونه های حل شده در هر فصل برای مطالعه خودآموز با یک وب سایت همراه که شامل راه حل ها و نمونه های کد است، ارائه شده است. یادداشت های برجسته توجه کاربر را به نکات یا مسائل مهم جلب می کنند.

خوانندگان همچنین اطلاعاتی در مورد موارد زیر پیدا خواهند کرد:

  • به دست آوردن و تحلیل داده های عددی به شکل اعمال الگوریتم های محاسباتی برای پیش بینی الگوهای داده های عددی (خوشه بندی یا یادگیری بدون نظارت)
  • روابط بین پیش بینی ها و متغیر پاسخ (نظارتی)، که به طور دسته بندی شده به طبقه بندی (پاسخ گسسته) و رگرسیون (پاسخ پیوسته) تقسیم می شوند
  • به دست آوردن و تحلیل تصویر به شکل اعمال یکی از شبکه های عصبی و تخمین دقت خالص، تلفات خالص، و یا RMSE برای مراحل آموزش، اعتبارسنجی، و آزمایش متوالی
  • آموزش مجدد و ایجاد برچسب گذاری تصاویر، شناسایی اشیاء، طبقه بندی رگرسیون، و شناسایی متن

کتاب “یادگیری ماشین و یادگیری عمیق با استفاده از متلب” یک منبع مفید و بسیار جامع در این زمینه برای متخصصان، دانشجویان پیشرفته، و محققانی است که با متلب آشنایی دارند و در زمینه های مهندسی و علمی مشغول به کار هستند و می خواهند در زمینه این نرم افزار و کاربردهای متعدد آن به تسلط برسند.


فهرست کتاب:

۱. جلد

۲. صفحه عنوان

۳. صفحه حق چاپ

۴. فهرست مطالب

۵. پیشگفتار

۶. درباره وب‌سایت همراه

۱. تکنیک‌های یادگیری ماشین (ML) بدون نظارت

۲. یادگیری نظارت شده ML: مدل‌های دسته‌بندی

۳. روش‌های بهبود مدل‌های پیش‌بینی‌کننده ML

۴. روش‌های رگرسیون خطی ML

۵. شبکه‌های عصبی

۶. شبکه‌های عصبی از پیش آموزش‌دیده: انتقال یادگیری

۷. معماری و آموزش یک شبکه عصبی کانولوشن (CNN)

۸. دسته‌بندی رگرسیون: تشخیص اشیا

۹. شبکه عصبی بازگشتی (RNN)

۱۰. برنامه‌های کاربردی مبتنی بر تصویر/ویدئو

۱۷. پیوست الف: توابع مفید MATLAB

۱۸. فهرست نمایه

۱۹. توافق‌نامه مجوز کاربری نهایی

توضیحات(انگلیسی)

MACHINE AND DEEP LEARNING

In-depth resource covering machine and deep learning methods using MATLAB tools and algorithms, providing insights and algorithmic decision-making processes

Machine and Deep Learning Using MATLAB introduces early career professionals to the power of MATLAB to explore machine and deep learning applications by explaining the relevant MATLAB tool or app and how it is used for a given method or a collection of methods. Its properties, in terms of input and output arguments, are explained, the limitations or applicability is indicated via an accompanied text or a table, and a complete running example is shown with all needed MATLAB command prompt code.

The text also presents the results, in the form of figures or tables, in parallel with the given MATLAB code, and the MATLAB written code can be later used as a template for trying to solve new cases or datasets. Throughout, the text features worked examples in each chapter for self-study with an accompanying website providing solutions and coding samples. Highlighted notes draw the attention of the user to critical points or issues.

Readers will also find information on:

  • Numeric data acquisition and analysis in the form of applying computational algorithms to predict the numeric data patterns (clustering or unsupervised learning)
  • Relationships between predictors and response variable (supervised), categorically sub-divided into classification (discrete response) and regression (continuous response)
  • Image acquisition and analysis in the form of applying one of neural networks, and estimating net accuracy, net loss, and/or RMSE for the successive training, validation, and testing steps
  • Retraining and creation for image labeling, object identification, regression classification, and text recognition

Machine and Deep Learning Using MATLAB is a useful and highly comprehensive resource on the subject for professionals, advanced students, and researchers who have some familiarity with MATLAB and are situated in engineering and scientific fields, who wish to gain mastery over the software and its numerous applications.


Table of Contents

1. Cover

2. Title Page

3. Copyright Page

4. Table of Contents

5. Preface

6. 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 Lear

7 A Convolutional Neural Network (CNN) Architecture and Training

8 Regression Classification: Object Detection

9 Recurrent Neural Network (RNN)

10 Image/Video-Based Apps

17. Appendix A Useful MATLAB Functions

18. Index

19. End User License Agreement

دیگران دریافت کرده‌اند

سایر کتاب‌های ناشر

✨ ضمانت تجربه خوب مطالعه

بازگشت کامل وجه

در صورت مشکل، مبلغ پرداختی بازگردانده می شود.

دانلود پرسرعت

دانلود فایل کتاب با سرعت بالا

ارسال فایل به ایمیل

دانلود مستقیم به همراه ارسال فایل به ایمیل.

پشتیبانی ۲۴ ساعته

با چت آنلاین و پیام‌رسان ها پاسخگو هستیم.

ضمانت کیفیت کتاب

کتاب ها را از منابع معتیر انتخاب می کنیم.