Makine Öğrenmesi: Teorisi ve Algoritmaları
Metin BİLGİN (Ph.D)
Editör: Atınç YILMAZ (Ph.D)
Yeni kitabımız...
ISBN: 978-605-9594-25-7
176 sayfa, (15x21 cm2), 80 gr 1. hamur kağıt
Makine öğrenmesi, bilgisayar yazılımlarıyla mevcut verilerden elde edilen deneyimlerin, gelecekteki olayları tahmin etmesine ve modelleme yapmasına imkân veren bir yapay zekâ alanıdır. Yapay Zekânın bir alt disiplini olan Makine Öğrenmesinin gelişimi son yıllarda hızla artmış ve bu konuda birçok algoritma geliştirilmiştir.
Makine Öğrenmesi; el yazısı ve imza tanıma sistemlerinde, biyometrik tanıma sistemlerinde (parmak izi-iris-avuç içi vb.), istenmeyen e-postaların seçilmesinde, kredi risk hesabı gibi mali işlemlerde, robotikte ve doğal dil işleme gibi birçok alanda kullanıma sahiptir.
Bu kitap “Makine Öğrenmesi” teorisini anlamak ve öğrenmek için iyi bir başlangıç kitabıdır. Makine öğrenmesinin teorisinin anlatımının ardından son yıllarda sıklıkla kullanılan algoritmalar kullanım alanlarına uygun örneklerle verilmiştir. Ayrıca bölüm sonlarında verilen sorularla okuyucunun bilgisini sınaması sağlamıştır.
Bu kitap, üniversitelerin lisans ve lisansüstü derslerinde okutulan “Makine Öğrenmesi” ya da “Yapay Öğrenme” gibi dersler için de ciddi bir kaynak niteliğindedir. Kullanım alanı itibariyle mühendisliğin her alanına hitap etse de daha çok Bilgisayar Mühendisliği, Yazılım Mühendisliği, Bilişim Mühendisliği, Elektrik-Elektronik Mühendisliği ve Mekatronik Mühendisliği gibi bölümler için hazırlanmıştır.
Sadece makine öğrenmesi üzerine odaklanmış olması, bu kitabı, alanındaki ilk Türkçe kaynaklardan birisi yapmaktadır.
|
|
|
|
|
|
|
|
|
İçindekiler
Bölüm 1. Makine Öğrenmesine Giriş
Bölüm 2. Günlük Yaşamımızda Makine Öğrenmesi Uygulamaları
Bölüm 3. Verilerin Sayısallaştırılması
Bölüm 4. Özellik Belirleme
4.1 Özellik Seçim Metotları
4.1.1 Bilgi Kazancı (Informaiton Gain-IG)
4.1.2 Sinyalin Gürültüye Oranı (S2N ratio)
4.1.3 Alt küme seçiciler (Wrappers)
4.2 Yeni Özelliklerin Çıkarımı
4.2.1 Temel Bileşen Analizi (Principal Component Analysis)
4.2.2 Doğrusal Ayırt eden Analizi (Linear Discriminant Analysis)
Bölüm 5. Sınıflandırma Metotları
5.1 Doğrusal Regresyon (Linear Regression)
5.2 Destek Vektör Makineleri SVM (Support Vector Machine)
5.3 Karar Ağaçları (Decision Trees)
5.4 Yapay Sinir Ağları (Artificial Neural Network)
5.5 En Yakın K Komşu Algoritması (k - Nearest Neighbor)
5.6 Öğrenmeli Vektör Kuantalama (Learning Vector Quantization)
5.7 Rastgele Orman (Random Forest)
Bölüm 6. Kümeleme Algoritmaları
6.1 Hiyerarşik Kümeleme
6.2 K-Ortalama (K-Means)
6.3 Kendi Kendini Düzenleyen Haritalar (Self Organizing Map -SOM)
Bölüm 7. Regresyon Algoritmaları
Kaynakça
Dizin
|
|
|
|
|
