بسیاری از چالش‌ها و مشکلات اجتماعی را می‌توان با استفاده از ادغام بهتر اینترنت اشیا و الگوریتم‌های یادگیری حل کرد. “هوشمندی” کلمه‌ای رایج است که تنها با کمک الگوریتم‌های یادگیری محقق می‌شود. علاوه بر این، از محققان با قطعه کدهایی که بر پیاده‌سازی و عملکرد الگوریتم‌های یادگیری در برنامه‌های کاربردی مبتنی بر اینترنت اشیا مانند مراقبت‌های بهداشتی، کشاورزی، حمل و نقل و غیره تمرکز دارند، پشتیبانی می‌کند. این قطعه کدها شامل بسته‌های پایتون مانند Scipy، Scikit-learn، Theano، TensorFlow، Keras، PyTorch و موارد دیگر هستند.
الگوریتم‌های یادگیری برای اینترنت اشیا، راهی آسان‌تر برای درک هدف و کاربرد الگوریتم‌های یادگیری در اینترنت اشیا در اختیار شما قرار می‌دهد.
آنچه خواهید آموخت
الگوریتم‌های تحت نظارت مانند رگرسیون و طبقه‌بندی.
الگوریتم‌های بدون نظارت، مانند خوشه‌بندی K-means، KNN، خوشه‌بندی سلسله مراتبی، تحلیل مؤلفه‌های اصلی و موارد دیگر.
شبکه‌های عصبی مصنوعی برای اینترنت اشیا (معماری، بازخورد، پیش‌خور، بدون نظارت).
شبکه‌های عصبی کانولوشن برای اینترنت اشیا (عمومی، LeNet، AlexNet، VGGNet، GoogLeNet و غیره).
روش‌های بهینه‌سازی، مانند گرادیان نزولی، گرادیان نزولی تصادفی، Adagrad، AdaDelta و بهینه‌سازی اینترنت اشیا.
این کتاب برای چه کسانی مناسب است؟
دانشجویانی که به یادگیری الگوریتم‌ها و پیاده‌سازی آنها علاقه‌مند هستند و همچنین محققانی در حوزه اینترنت اشیا که به دنبال گسترش کار خود با الگوریتم‌های یادگیری هستند.
