ما در آیتی هلو از شهریور ۱۴۰۲ کارمون رو با عشق به کتاب و یادگیری شروع کردیم. تخصص ما چاپ کتابهای تخصصی به زبان اصلیه و با استفاده از تکنولوژیهای روز و مواد اولیه باکیفیت، مطمئن میشیم که هر کتاب از نظر ظاهر و محتوا در بهترین سطح قرار بگیره.
هدفمون اینه که دسترسی به منابع علمی و آموزشی معتبر رو برای همه سادهتر کنیم و در این مسیر، همراه و همکار خوبی برای شما باشیم.
Build, train, and deploy end-to-end machine learning and deep learning pipelines
کتاب یادگیری ماشین با C++، نوشته Kirill Kolodiazhnyi، راهنمایی جامع برای توسعهدهندگان، تحلیلگران داده و دانشمندان داده است که میخواهند با استفاده از زبان C++ و کتابخانههای قدرتمند مانند PyTorch C++ API، Caffe2، Shogun، Shark-ML، mlpack و dlib، الگوریتمهای یادگیری ماشین را پیادهسازی کنند. این کتاب با رویکردی مثالمحور، مفاهیم یادگیری ماشین را از پایه تا پیشرفته آموزش میدهد و شما را در ساخت مدلهای هوشمند، بهینهسازی عملکرد و استقرار آنها در پلتفرمهای موبایل و ابری هدایت میکند. با استفاده از مثالهای واقعی و مجموعه دادههای متنوع، این کتاب به شما کمک میکند تا سیستمهای یادگیری ماشین قدرتمند و کارآمد بسازید.
زبان C++ به دلیل سرعت و کارایی بالا، انتخابی ایدهآل برای پیادهسازی مدلهای یادگیری ماشین در محیطهای تولیدی است. این کتاب با آموزش اصول یادگیری ماشین و استفاده از کتابخانههای مدرن C++، شما را برای ساخت مدلهای هوشمند و مقیاسپذیر آماده میکند. از پیادهسازی الگوریتمهای نظارتشده و بدون نظارت تا بهینهسازی مدلها برای دستگاههای موبایل و ابری، این کتاب دانش و مهارتهای لازم برای توسعه سیستمهای پیشرفته را ارائه میدهد. مثالهای واقعی مانند طبقهبندی تصاویر و تحلیل احساسات، این کتاب را به منبعی ارزشمند برای حل مسائل دنیای واقعی تبدیل کرده است.
بخش اول: مبانی یادگیری ماشین با C++
مقدمهای بر یادگیری ماشین با C++: آشنایی با مفاهیم پایه و اهمیت C++ در یادگیری ماشین.
پردازش دادهها: بارگذاری و پیشپردازش دادهها در ساختارهای مناسب C++.
اندازهگیری عملکرد و انتخاب مدل: ارزیابی کارایی مدلها و انتخاب بهترین مدل.
بخش دوم: الگوریتمهای بدون نظارت
خوشهبندی: پیادهسازی الگوریتمهای خوشهبندی مانند K-Means.
تشخیص ناهنجاری: فیلتر کردن دادههای غیرعادی با استفاده از توزیع گاوسی.
کاهش ابعاد: سادهسازی دادهها با تکنیکهایی مانند PCA.
بخش سوم: الگوریتمهای نظارتشده و پیشرفته
طبقهبندی: ساخت مدلهای طبقهبندی برای مسائل مختلف.
سیستمهای توصیهگر: بهبود توصیهها با فیلترسازی همکارانه.
: ترکیب مدلها برای بهبود دقت با روشهای Ensemble.
بخش چهارم: شبکههای عصبی و یادگیری عمیق
شبکههای عصبی برای طبقهبندی تصاویر: پیادهسازی معماری LeNet.
تحلیل احساسات با شبکههای بازگشتی: حل مسائل تحلیل متن.
بخش پنجم: استقرار و بهینهسازی
صادرات و واردات مدلها: استفاده از فرمت ONNX برای تبادل مدلها.
استقرار مدلها در موبایل و ابر: مدیریت چالشهای تولید و استقرار.
این کتاب با مثالهای واقعی مانند طبقهبندی تصاویر، تحلیل احساسات و سیستمهای توصیهگر، شما را در پیادهسازی الگوریتمهای یادگیری ماشین با C++ هدایت میکند. از خوشهبندی دادهها و تشخیص ناهنجاری تا استقرار مدلها در دستگاههای موبایل و پلتفرمهای ابری، این کتاب سناریوهای کاربردی را پوشش میدهد. آموزشهایی مانند استفاده از توزیع گاوسی برای فیلتر کردن دادههای غیرعادی و بهینهسازی سیستمهای توصیهگر با فیلترسازی همکارانه، شما را برای حل مسائل پیچیده آماده میکنند.
این کتاب بر C++ و کتابخانههای مدرن مانند PyTorch C++ API، Caffe2، Shogun، Shark-ML، mlpack و dlib تمرکز دارد. این فناوریها با استانداردهای مدرن یادگیری ماشین سازگار هستند و برای توسعه سیستمهای با کارایی بالا در محیطهای تولیدی، از جمله موبایل و ابر، مناسباند.
این کتاب برای توسعهدهندگان، تحلیلگران داده و دانشمندان دادهای که میخواهند الگوریتمهای یادگیری ماشین را با C++ پیادهسازی کنند، ایدهآل است. دانش پایه در برنامهنویسی C++ برای شروع ضروری است، اما مثالهای عملی و توضیحات شفاف، یادگیری را برای مبتدیان در یادگیری ماشین نیز آسان میکنند.
Kirill Kolodiazhnyi، مهندس نرمافزار با تجربه در توسعه مدلهای یادگیری ماشین با C++، دانش خود را با مثالهای واقعی و رویکردی عملی ارائه کرده است. او با مدرک کارشناسی در علوم کامپیوتر از دانشگاه ملی رادیوالکترونیک خارکف، تخصص خود را در این کتاب به اشتراک گذاشته است.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران