تئوری و کاربردهای یادگیری ماشین: موارد استفاده عملی با پایتون در ماشین‌های کلاسیک و کوانتومی نسخه اول
تئوری و کاربردهای یادگیری ماشین به قلمرو یادگیری ماشین و یادگیری عمیق می پردازد و کاربردهای عملی آنها را با درک مفاهیم ریاضی و پیاده سازی آنها در سناریوهای دنیای واقعی با استفاده از پایتون و کتابخانه های منبع باز معروف بررسی می کند. این راهنمای جامع طیف گسترده‌ای از موضوعات، از جمله آماده‌سازی داده‌ها، تکنیک‌های مهندسی ویژگی، الگوریتم‌های یادگیری ماشینی رایج مانند ماشین‌های بردار پشتیبان و شبکه‌های عصبی، و همچنین مدل‌های هوش مصنوعی و پایه را پوشش می‌دهد. برای تسهیل ایجاد خطوط لوله یادگیری ماشین، یک چارچوب منبع باز اختصاصی به نام hephAIstos به طور انحصاری برای این کتاب توسعه داده شده است. علاوه بر این، این متن دامنه جذاب یادگیری ماشین کوانتومی را بررسی می‌کند و بینش‌هایی را در مورد اجرای برنامه‌های یادگیری ماشین در فناوری‌های سخت‌افزاری متنوع مانند CPU، GPU و QPU ارائه می‌دهد. در نهایت، این کتاب نحوه استقرار مدل‌های آموزش‌دیده را از طریق برنامه‌های کاربردی کانتینری با استفاده از Kubernetes و OpenShift و همچنین ادغام آنها از طریق عملیات یادگیری ماشین (MLOps) توضیح می‌دهد.
موضوعات اضافی تحت پوشش نظریه یادگیری ماشین و کاربردها عبارتند از:
موارد استفاده فعلی از هوش مصنوعی، از جمله پیش‌بینی، تشخیص تصاویر و گفتار، انجام تشخیص‌های پزشکی، ایجاد زنجیره‌های تامین هوشمند، پردازش زبان طبیعی و موارد دیگر.
الگوریتم‌های یادگیری ماشین‌های کلاسیک و کوانتومی مانند ماشین‌های بردار پشتیبان تقویت‌شده با کوانتومی (QSVM)، طبقه‌بندی چند کلاسه QSVM، شبکه‌های عصبی کوانتومی، و شبکه‌های متخاصم مولد کوانتومی (qGAN)
روش های مختلف برای دستکاری داده ها، مانند مدیریت داده های از دست رفته، تجزیه و تحلیل داده های طبقه بندی شده، یا پردازش داده های مربوط به زمان
قابلیت تغییر مقیاس، استخراج و انتخاب، و نحوه زنده کردن و تولید مدل های آموزش دیده خود از طریق برنامه های کاربردی کانتینری
تئوری و کاربردهای یادگیری ماشین یک منبع ضروری برای دانشمندان داده، مهندسان، متخصصان و معماران فناوری اطلاعات و همچنین دانشجویان علوم کامپیوتر، ریاضیات و بیوانفورماتیک است. انتظار می رود خواننده برنامه نویسی پایتون و کتابخانه های پایه مانند NumPy یا Pandas و مفاهیم پایه ریاضی، به ویژه جبر خطی را درک کند.
Machine Learning Theory and Applications: Hands-on Use Cases with Python on Classical and Quantum Machines 1st Edition
Machine Learning Theory and Applications delves into the realm of machine learning and deep learning, exploring their practical applications by comprehending mathematical concepts and implementing them in real-world scenarios using Python and renowned open-source libraries. This comprehensive guide covers a wide range of topics, including data preparation, feature engineering techniques, commonly utilized machine learning algorithms like support vector machines and neural networks, as well as generative AI and foundation models. To facilitate the creation of machine learning pipelines, a dedicated open-source framework named hephAIstos has been developed exclusively for this book. Moreover, the text explores the fascinating domain of quantum machine learning and offers insights on executing machine learning applications across diverse hardware technologies such as CPUs, GPUs, and QPUs. Finally, the book explains how to deploy trained models through containerized applications using Kubernetes and OpenShift, as well as their integration through machine learning operations (MLOps).
Additional topics covered in Machine Learning Theory and Applications include:
- Current use cases of AI, including making predictions, recognizing images and speech, performing medical diagnoses, creating intelligent supply chains, natural language processing, and much more
- Classical and quantum machine learning algorithms such as quantum-enhanced Support Vector Machines (QSVMs), QSVM multiclass classification, quantum neural networks, and quantum generative adversarial networks (qGANs)
- Different ways to manipulate data, such as handling missing data, analyzing categorical data, or processing time-related data
- Feature rescaling, extraction, and selection, and how to put your trained models to life and production through containerized applications
Machine Learning Theory and Applications is an essential resource for data scientists, engineers, and IT specialists and architects, as well as students in computer science, mathematics, and bioinformatics. The reader is expected to understand basic Python programming and libraries such as NumPy or Pandas and basic mathematical concepts, especially linear algebra.
Product details
- ASIN : B0CS8MMSB4
- Publisher : Wiley; 1st edition (January 11, 2024)
- Publication date : January 11, 2024
- Language : English
- File size : 38039 KB
- Text-to-Speech : Enabled
- Screen Reader : Supported
- Enhanced typesetting : Enabled
- X-Ray : Not Enabled
- Word Wise : Not Enabled
- Print length : 496 pages
- Page numbers source ISBN : 1394220618