Skip to content
Μηχανική μάθηση
Μηχανική μάθηση
Πίσω από τους αλγορίθμους
ISBN: 978-960-645-903-0
Είδος: Βιβλίο
Μορφή: Χαρτόδετο
Αναγνωστικό Κοινό: Εκπαίδευση ενηλίκων, Επαγγελματική και Ακαδημαϊκή, Φοιτητές
Θέμα: Μηχανική μάθηση
Γλώσσα: Ελληνική, Νέα
Έτος Έκδοσης: 2026
Εκδότης: Κλειδάριθμος
Μετάφραση: Βερύκιος, Βασίλης, ΤΖΑΝΟΥΛΙΝΟΥ, ΔΙΑΜΑΝΤΩ
Διαστάσεις: 17 x 24 εκ
Σελίδες: 584 σελ.

Τιμή Εκδότη: 46,00 €

Τιμή E-shop: 41,40 €
41 πόντοι επιβράβευσης με την αγορά του προϊόντος

Διαθέσιμο κατόπιν παραγγελίας.
Χρόνος παράδοσης 2 - 6 εργάσιμες ημέρες, υπό την προϋπόθεση ύπαρξης αποθέματος στον εκδότη.

Κατηγορία:
Περιγραφή
Το βιβλίο Μηχανική μάθηση: Πίσω από τους αλγορίθμους παρουσιάζει αλγορίθμους και τεχνικές μηχανικής μάθησης με έναν τρόπο που ο καθένας μπορεί να κατανοήσει. Το βιβλίο αποφεύγει την περίπλοκη ακαδημαϊκή ορολογία και παρέχει σαφείς εξηγήσεις που απαιτούν μόνο βασική άλγεβρα. Στην πορεία, θα υλοποιήσετε ενδιαφέροντα έργα σε Python, συμπεριλαμβανομένων μοντέλων για τον εντοπισμό ανεπιθύμητης αλληλογραφίας (spam) και την αναγνώριση εικόνων.

Θα αποκτήσετε επίσης πρακτικές δεξιότητες για τον καθαρισμό και την προετοιμασία δεδομένων.

Τι περιλαμβάνεται στο βιβλίο:

Αλγόριθμοι επιβλεπόμενης μάθησης (supervised learning) για ταξινόμηση και διαχωρισμό δεδομένων
Μέθοδοι για τον καθαρισμό και την απλοποίηση δεδομένων
Πακέτα και εργαλεία μηχανικής μάθησης
Νευρωνικά δίκτυα και συλλογικές μέθοδοι (ensemble methods) για πολύπλοκα σύνολα δεδομένων
Κατάλληλο για αναγνώστες με βασικές γνώσεις Python. Δεν απαιτούνται γνώσεις μηχανικής μάθησης.

Περιεχόμενα
Κεφάλαιο 1: Τι είναι η μηχανική μάθηση; Είναι κοινή λογική, με τη διαφορά ότι εφαρμόζεται από έναν υπολογιστή
Κεφάλαιο 2: Τύποι μηχανικής μάθησης
Κεφάλαιο 3: Σχεδίαση μιας ευθείας κοντά στα σημεία μας: Γραμμική παλινδρόμηση
Κεφάλαιο 4: Βελτιστοποίηση της εκπαίδευσης: Υπερπροσαρμογή, υποπροσαρμογή, έλεγχος, και ομαλοποίηση
Κεφάλαιο 5: Χρήση ευθειών για τον διαχωρισμό των σημείων μας: Ο αλγόριθμος perceptron
Κεφάλαιο 6: Μια συνεχής προσέγγιση για τον διαχωρισμό σημείων: Λογιστικοί ταξινομητές
Κεφάλαιο 7: Πώς μετράμε την απόδοση των μοντέλων ταξινόμησης; Η ορθότητα και οι φίλοι της
Κεφάλαιο 8: Αξιοποίηση της πιθανότητας στο έπακρο: Το απλοϊκό μοντέλο Bayes
Κεφάλαιο 9: Διαχωρισμός δεδομένων με ερωτήσεις: Δένδρα αποφάσεων
Κεφάλαιο 10: Συνδυασμός δομικών μπλοκ για την απόκτηση περισσότερης ισχύος: Νευρωνικά δίκτυα
Κεφάλαιο 11: Εύρεση ορίων με στιλ: Μηχανές διανυσμάτων υποστήριξης και η μέθοδος πυρήνα
Κεφάλαιο 12: Συνδυασμός μοντέλων για τη μεγιστοποίηση των αποτελεσμάτων: Συλλογική μάθηση
Κεφάλαιο 13: Ώρα για εφαρμογή στην πράξη: Ένα πραγματικό παράδειγμα μηχανικής δεδομένων και μηχανικής μάθησης

Σχετικά προϊόντα