[免費電子書] Efficient Learning Machines

Contents

帶你探索機器學習的重要主題

知識發現、分類、遺傳演算法、神經網路、核心方法、生物學啟發技術

關於本書

機器學習技術提供了傳統方法的成本效益替代成本效益替代方法來提取訊息和資料之間的潛在關係，並通過處理現有訊息來訓練模型以預測未來事件。Efficient Learning Machines 的主要內容包括知識發現 (knowledge discovery)、分類 (classifications)、遺傳演算法 (genetic algorithms)、神經網路 (neural networking)、核心方法 (kernel methods) 和生物學啟發技術 (biologically-inspired techniques)。

Mariette Awad 和 Rahul Khanna 的綜合方法交織了高效機器學習的理論闡述、設計原理和實際應用。貫穿全書對樣本演算法做深入分析，傳遞了他們的經驗精華，旨在讓工程師、工程學者和系統設計人員能夠設計和創新更有效的機器學習系統。Efficient Learning Machines 的讀者將學習如何識別和分析機器學習技術可以解決的問題，如何實施和佈署標準解決方案到案例問題，以及如何設計新的系統和解決方案。

計算性能、儲存、記憶、非結構化資訊檢索和雲端計算的進步已經與新一代機器學習模型和大數據分析與時俱進，作者在傳統前導的概念背景下提出。Awad 和 Khanna 探索深層神經網路的深層學習技術、分層時間記憶和皮層演算法的發展。

大自然提供我們成熟的學習技術範例，依照簡單的規則佈署，生成具有自我適應、進化和分佈式屬性的高度智能和組織行為。作者研究了最受歡迎的生物學啟發式演算法，配合分佈式資料中心管理的範例應用。他們還討論了用於解決多目標優化問題的機器學習技術，其於現實世界系統中的解決方案受到約束且基於它們在多個目標方面的表現被綜合評估。支持向量機(support vector machines)及其擴展的兩個章節重點關注機器學習核心近期改進的分類(classification)和回歸(regression)技術。

本書為誰而寫

工程師和系統設計師的理論、概念和應用

關於作者

Rahul Khanna 是英特爾公司的平台架構師，參與的節能演算法的發展。在過去17年中，他一直致力於伺服器系統軟體技術，包括平台自動化、電源/熱優化技術、可靠性、優化和預測方法。他在能源優化、平台無線互連、傳感器網路、互連可靠性、預測建模、運動估計和安全性相關領域撰寫了許多技術論文和書籍章節。他擁有27項專利。他是英特爾IBIST方法對高速互連測試的共同發明人。他的研究興趣包括基於機器學習的功率/熱優化演算法、窄通道高速無線互連和密集傳感器網路中的資訊檢索。Rahul 是 IEEE 的成員，並獲得了與平台技術進步相關的領域的三項英特爾成就獎。他也是 A Vision for Platform Autonomy: Robust Frameworks for Systems 的作者。