Gyakorlati megközelítés a gépi tanulás és a mélytanulás algoritmusaihoz

Olvasói vélemények

A könyv folyamatosan negatív kritikákat kapott a felhasználóktól, elsősorban a rossz írásminőség, az eredeti tartalom hiánya és az alacsony minőségű anyagok miatt. Sok olvasó nehezen érthetőnek találta, és kritizálta, hogy megfelelő magyarázat vagy elmélet nélkül támaszkodik az online forrásokra. Összességében úgy ítélték meg, hogy nem éri meg a befektetést.

Néhány felhasználó megjegyezte, hogy a könyv világos lépéseket nyújt a mélytanulási algoritmusok MATLAB-bal történő megvalósításához.

A könyvben tört angol és rossz nyelvtan található, ami megnehezíti a megértést. Sok véleményező szerint a könyv nem eredeti, tele van online forrásokból másolt tartalommal, és kritizálta az alacsony nyomtatási minőséget, valamint a MATLAB-kódban és az ábrákban található számos hiba jelenlétét.

(7 olvasói vélemény alapján)

Eredeti címe:

A Practical Approach for Machine Learning and Deep Learning Algorithms

Könyv tartalma:

Vegyen részt a gépi tanulásban

Főbb jellemzők Gépi tanulás a MATLAB-ban alapvető fogalmak és algoritmusok segítségével. A gépi tanulás algoritmusai egyszerű nyelven, MATLAB kód segítségével. Az adatok levezetése és elérése MATLAB-ban, majd az adatok előfeldolgozása és előkészítése. Gépi tanulási munkafolyamatok az állapotfigyeléshez. A neurális hálózat területe és megvalósítása MATLAB-ban, a kód és az eredmények explicit magyarázatával. Hogyan javítható a prediktív modell a MATLAB segítségével? MATLAB-kód egy algoritmus megvalósításához, nem pedig matematikai képlethez. Gépi tanulási munkafolyamat az egészségmegfigyeléshez.

Leírás

A gépi tanulást leginkább a kutatás területén keresik, és napjainkban számos kutatási projekt szerves részévé vált, beleértve a kereskedelmi alkalmazásokat és a tudományos kutatásokat is. A gépi tanulás alkalmazása a barátok megtalálásától a közösségi oldalakon az orvosi diagnosztikán át egészen a műholdfeldolgozásig terjed. Ebben a könyvben őszinte erőfeszítést tettünk arra, hogy a gépi tanulás fogalmait egyszerűvé tegyük, és már a telepítési résztől kezdve alapvető programokat adunk MATLAB-ban. Bár a gépi tanulás valós idejű alkalmazása végtelen, az alapfogalmakat és algoritmusokat azonban MATLAB nyelven tárgyaljuk, hogy ne csak a végzős hallgatók, hanem a kutatók is profitálhassanak belőle.

Mit fogsz tanulni

A gépi tanulás előfeltételei Természetes minták megtalálása az adatokban Osztályozási módszerek építése Adatok előfeldolgozása Pythonban Regressziós modellek építése Neurális hálózatok létrehozása Mélytanulás.

Kinek szól ez a könyv

A könyv alapvetően olyan végzős és kutató hallgatóknak szól, akik számára a gépi tanulás algoritmusai nehezen megvalósíthatóak. A gépi tanulás minden alapvető algoritmusát részletesen, gyakorlatias megközelítéssel érintettük. Elsősorban a kezdők fogják ezt a könyvet hatékonyabbnak találni, mivel a fejezetek úgy vannak felosztva, hogy az algoritmusok MATLAB-ban való felépítését és megvalósítását egyszerre érdekesnek és könnyűnek találják.

Tartalomjegyzék

Bevezetés a gépi tanulásba Természetes minták megtalálása az adatokban Osztályozási módszerek építése Adatok előfeldolgozása Pythonban Regressziós modellek építése Neurális hálózatok létrehozása Bevezetés a mélytanulásba.

A szerzőről

Abhishek Kumar Pandey informatikából doktorál és M. Tech informatikai és mérnöki diplomát szerzett. Az Ajmeri Aryabhatt Mérnöki Főiskolán és Kutatóközpontban, Ajmerben, valamint a Kormányzati Egyetem MDS Ajmerben vendégtanárként dolgozik az informatika adjunktusaként.

Pramod Singh Rathore informatikából és mérnöki tudományokból doktorál és M. Tech. Az Ajmeri Aryabhatt Mérnöki Főiskola és Kutatóközpontban (Ajmer) informatika tanársegédként és az Ajmeri Kormányzati Egyetem MDS Ajmerben vendégtanárként dolgozik.

Dr. S. Balamurugan a Quants IS & CS, India kutatási és fejlesztési vezetője. Korábban a Mindnotix Technologies, India kutatási és fejlesztési igazgatója volt. 33 könyv szerzője/társszerzője, és 200 publikációja jelent meg különböző nemzetközi folyóiratokban és konferenciákon.