۴۰ الگوریتمی که هر دانشمند داده‌ای باید بداند؛ پیمایش در الگوریتم های ضروری هوش مصنوعی و یادگیری ماشین

تسلط بر الگوریتم‌های هوش مصنوعی و یادگیری ماشین برای دانشمندان داده ضروری است. این کتاب طیف گسترده‌ای از تکنیک‌ها، از یادگیری نظارت‌شده و بدون نظارت گرفته تا یادگیری عمیق و یادگیری تقویتی را پوشش می‌دهد. این کتاب، راهنمایی برای مهم‌ترین الگوریتم‌هایی است که هر دانشمند داده باید هنگام ساخت یک برنامه جدید هوش مصنوعی/یادگیری ماشین در اختیار داشته باشد.

این کتاب مقدمه‌ای کامل بر هوش مصنوعی و یادگیری ماشین ارائه می‌دهد و مفاهیم کلیدی، ساختارهای داده و الگوریتم‌های مختلفی مانند رگرسیون خطی، درخت‌های تصمیم‌گیری و شبکه‌های عصبی را پوشش می‌دهد. این کتاب تکنیک‌های یادگیری مانند یادگیری نظارت‌شده، بدون نظارت و نیمه‌نظارتی را بررسی می‌کند و آنها را در سناریوهای دنیای واقعی مانند پردازش زبان طبیعی و بینایی کامپیوتر به کار می‌برد. این منبع با توضیحات واضح، مثال‌های کد و شرح مفصلی از 40 الگوریتم، از جمله مبانی ریاضی و کاربردهای عملی آنها، برای مبتدیان و متخصصان باتجربه که به دنبال تعمیق درک خود از هوش مصنوعی و یادگیری ماشین هستند، ایده‌آل است.

بخش پایانی کتاب، چشم‌اندازی برای الگوریتم‌های پیشرفته‌تری ارائه می‌دهد که پتانسیل تغییر دنیای اصول هوش مصنوعی و یادگیری ماشین را دارند.

ویژگی‌های کلیدی

طیف گسترده‌ای از الگوریتم‌های هوش مصنوعی و یادگیری ماشین را از مفاهیم بنیادی تا تکنیک‌های پیشرفته پوشش می‌دهد. شامل مثال‌های دنیای واقعی و قطعه کدهایی برای نشان دادن کاربرد الگوریتم‌ها.

موضوعات پیچیده را به شیوه‌ای واضح و قابل فهم توضیح می‌دهد و آن را برای زبان‌آموزان در تمام سطوح مناسب می‌سازد.

آنچه خواهید آموخت

تفاوت‌های بین یادگیری نظارت‌شده، بدون نظارت و تقویتی.
در زمینه پاکسازی داده‌ها، مهندسی ویژگی‌ها و مدیریت فرمت‌های مختلف داده، تخصص کسب کنید.
پیاده‌سازی و به‌کارگیری الگوریتم‌هایی مانند رگرسیون خطی، درخت‌های تصمیم‌گیری، شبکه‌های عصبی و ماشین‌های بردار پشتیبان را بیاموزید.
ایجاد سیستم‌های هوشمند و حل مسائل دنیای واقعی.
یاد بگیرید که با یک طرز فکر ساختاریافته و تحلیلی به چالش‌های هوش مصنوعی و یادگیری ماشین نزدیک شوید.

این کتاب برای چه کسانی مناسب است؟

این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و هر کسی که علاقه‌مند به ورود به دنیای هوش مصنوعی است، ایده‌آل است.

فهرست مطالب

1. اصول اولیه
2. ساختارهای داده معمول
3. مرور کلی 40 الگوریتم هوش مصنوعی/یادگیری ماشین
4. الگوریتم‌های یادگیری نظارت‌شده پایه
5. الگوریتم‌های یادگیری نظارت‌شده پیشرفته
6. الگوریتم‌های یادگیری نظارت‌نشده پایه
7. الگوریتم‌های یادگیری نظارت‌نشده پیشرفته
8. الگوریتم‌های یادگیری تقویتی پایه
9. الگوریتم‌های یادگیری تقویتی پیشرفته
10. الگوریتم‌های یادگیری نیمه‌نظارتی پایه
11. الگوریتم‌های یادگیری نیمه‌نظارتی پیشرفته
12. پردازش زبان طبیعی
13. بینایی کامپیوتر
14. الگوریتم‌های مقیاس بزرگ
15. چشم‌اندازی به آینده: یادگیری ماشین کوانتومی