ขาย หนังสือ Artificial Intelligence with Machine Learning, AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง ราคาที่ดีที่สุด

การเรียนรู้ของเครื่อง (Machine Learning) เป็นเครื่องมือที่ถูกนำไปประยุกต์ใช้งานอย่างกว้างขวาง อาทิเช่น งานด้านปัญญาประดิษฐ์ (Artificial Intelligence: AI) งานด้านการทำเหมืองข้อมูล (Data Mining) งานด้านการรู้จำรูปแบบ (Pattern Recognition) งานด้านคอมพิวเตอร์วิทัศน์ (Computer Vision) และงานในอีกหลายสาขาที่เกี่ยวข้อง การเข้าใจในเครื่องมือพื้นฐานของการเรียนรู้ของเครื่องมีประโยชน์ในการเลือกใช้เครื่องมือต่าง ๆ ให้เหมาะสมกับงานที่ต้องการ รวมทั้งยังสามารถปรับปรุงขั้นตอนวิธีเพื่อให้เหมาะสมกับการใช้งานในแต่ละงานได้อย่างมีประสิทธิภาพ หนังสือเล่มนี้ผู้เขียนได้อาศัยประสบการณ์ในการสอน และการวิจัยในสาขาวิชานี้ตั้งแต่ระดับชั้นปริญญาตรีถึงปริญญาเอก โดยพยายามสอดแทรกตัวอย่างที่ง่ายต่อการเข้าใจ ที่ได้เคยใช้ในการอธิบายนักศึกษาในชั้นเรียน ตลอดจนประสบการณ์ในการทำวิจัย ในแต่ละบทประกอบด้วยเนื้อหา ขั้นตอนวิธี และโปรแกรมตัวอย่างที่เขียนขึ้นด้วยภาษา Python ซึ่งเป็นภาษาที่เข้าใจได้ง่ายและได้รับความนิยมอย่างมากในปัจจุบัน ทั้งนี้รหัสต้นฉบับ (Source Code) เกือบทั้งหมดในหนังสือเล่มนี้ ผู้เขียนมีความตั้งใจเขียนขึ้นมาจากพื้นฐานโดยไม่ได้ใช้ไลบารีระดับสูง เพื่อให้เข้าใจหลักการทำงานเบื้องหลังอย่างแท้จริง ทำให้ผู้อ่านสามารถนำไปประยุกต์ใช้ด้วยภาษาที่ตนเองถนัดได้ง่าย ศึกษา Machine Learning ตั้งแต่การออกแบบ ขั้นตอนวิธี และโปรแกรมตัวอย่างที่เขียนขึ้นด้วยภาษา Python จุดเด่นสินค้า 1. ผู้เขียนมีประสบการณ์ในการสอน และการวิจัยในสาขาวิชานี้ตั้งแต่ระดับชั้นปริญญาตรีถึงปริญญาเอก 2. Source Code เขียนขึ้นมาจากพื้นฐาน ไม่ใช้ไลบารีระดับสูง ผู้อ่านสามารถประยุกต์ใช้ภาษาที่ตนเองถนัดได้ 3. เนื้อหา ขั้นตอนวิธี และโปรแกรมตัวอย่างที่เขียนขึ้นด้วยภาษา Python สารบัญ บทที่ 1 บทนำ 1.1 ปัญญาประดิษฐ์ (Artificial Intelligence: AI) 1.2 คำศัพท์ 1.3 สัญลักษณ์ทางคณิตศาสตร์ 1.4 การติดตั้งภาษา Python 1.5 เอกสารอ้างอิง บทที่ 2 การเรียนรู้ของเครื่อง (Machine Learning) 2.1 จุดประสงค์ประจำบท 2.2 การเรียนรู้ของเครื่องและการเรียนรู้ของมนุษย์ 2.3 ลักษณะงานที่เหมาะสมกับการเรียนรู้ของเครื่อง 2.4 การออกแบบระบบเรียนรู้ 2.5 ตัวอย่างเกม Tic-Tac-Toe 2.6 เอกสารอ้างอิง 2.7 คำถามท้ายบท บทที่ 3 การเรียนรู้แนวคิด (Concept Learning) 3.1 จุดประสงค์ประจำบท 3.2 สมมติฐาน (Hypothesis) 3.3 ขั้นตอนวิธี Find-S 3.4 ขั้นตอนวิธี List-Then-Eliminate 3.5 ขั้นตอนวิธี Candidate Elimination 3.6 เอกสารอ้างอิง 3.7 คำถามท้ายบท บทที่ 4 การจัดแบ่งคลาสด้วยขั้นตอนวิธี k-Nearest Neighbors 4.1 จุดประสงค์ประจำบท 4.2 ขั้นตอนวิธี k-Nearest Neighbors 4.3 ขั้นตอนวิธี Condensed Nearest Neighbor (CNN) 4.4 ขั้นตอนวิธี k-dimensional Tree (k-d Tree) 4.5 Locality-Sensitive Hashing (LSH) 4.6 เอกสารอ้างอิง 4.7 คำถามท้ายบท บทที่ 5 ต้นไม้ตัดสินใจ (Decision Tree) 5.1 จุดประสงค์ประจำบท 5.2 องค์ประกอบของต้นไม้ตัดสินใจ 5.3 ตัวอย่างต้นไม้ตัดสินใจ 5.4 ขั้นตอนวิธีสร้างต้นไม้ตัดสินใจแบบอุปนัย 5.5 การเลือกลักษณะประจำสำหรับสร้างปม 5.6 ขั้นตอนวิธี Iterative Dichotomiser 3 (ID3) 5.7 ขั้นตอนวิธี C4.5 5.8 เอกสารอ้างอิง 5.9 คำถามท้ายบท บทที่ 6 โครงข่ายประสาทเทียม (Artificial Neural Networks) 6.1 จุดประสงค์ประจำบท 6.2 แบบจำลองเซลล์ประสาทเทียม 6.3 เพอร์เซปตรอน (Perceptron) 6.4 นิวรอนแบบหน่วยเชิงเส้น (Linear Unit) 6.5 นิวรอนแบบหน่วยซิกมอยด์ (Sigmoid Unit) 6.6 ขั้นตอนวิธี Gradient Descent 6.7 โครงข่ายหลายชั้น (Multi-Layer Networks) 6.8 ขั้นตอนวิธี Backpropagation 6.9 ปัญหาแบบหลายคลาส (Multi-Class Problem) 6.10 เอกสารอ้างอิง 6.11 คำถามท้ายบท บทที่ 7 ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine) 7.1 จุดประสงค์ประจำบท 7.2 ระนาบเกิน (Hyperplane) 7.3 ระนาบเกินแบบบัญญัติ (Canonical Hyperplane) 7.4 ปัญหาควบคู่ (Dual Problem) 7.5 Soft Margin 7.6 ปริภูมิไม่เชิงเส้น (Nonlinear Space) 7.7 มิติ VC 7.8 กลวิธีเคอร์เนล (Kernel Trick) 7.9 SVM แบบไม่เชิงเส้น 7.10 Sequential Minimal Optimization (SMO) 7.11 ซัพพอร์ตเวกเตอร์แมชชีนแบบหลายคลาส (Multi-Class SVM) 7.12 การประยุกต์ใช้งาน SVM บนชุดข้อมูลจริง 7.13 เอกสารอ้างอิง 7.14 คำถามท้าย บทที่ 8 การเรียนรู้แบบเบย์ (Bayesian Learning) 8.1 จุดประสงค์ประจำบท 8.2 ทฤษฎีของเบย์ (Bayes’ Theorem) 8.3 การเลือกสมมติฐานที่เหมาะสม 8.4 ตัวจำแนกประเภทที่เหมาะสมที่สุดแบบเบย์ (Bayes Optimal Classifier) 8.5 ตัวจำแนกประเภทแบบเบย์อย่างง่าย (Naïve Bayes Classifier) 8.6 การจำแนกประเภทข้อความ (Text Classification) 8.7 เอกสารอ้างอิง 8.8 คำถามท้าย บทที่ 9 ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm) 9.1 จุดประสงค์ประจำบท 9.2 การวิวัฒนาการ (Evolution) 9.3 การแทนพันธุกรรม (Genetic Representation) 9.4 การไขว้เปลี่ยน (Crossover 9.5 การกลายพันธุ์ (Mutation) 9.6 การคัดเลือก (Selection 9.7 ขั้นตอนวิธีเชิงพันธุกรรมและการประยุกต์ 9.8 เอกสารอ้างอิง 9.9 คำถามท้าย บทที่ 10 การลดมิติ (Dimensionality Reduction) 10.1 จุดประสงค์ประจำบท 10.2 การเลือกคุณลักษณะ (Feature Selection) 10.3 Principal Component Analysis (PCA) 10.4 Linear Discriminant Analysis (LDA) 10.5 Random Projection (RP) 10.6 เอกสารอ้างอิง 10.7 คำถามท้าย บทที่ 11 การจัดกลุ่ม (Clustering) 11.1 จุดประสงค์ประจำบท 11.2 การจัดกลุ่มด้วยขั้นตอนวิธี K-Means 11.3 การจัดกลุ่มด้วยขั้นตอนวิธี Fuzzy C-Means 11.4 การจัดกลุ่มด้วยขั้นตอนวิธี Self-Organizing Map (SOM) 11.5 การจัดกลุ่มด้วยขั้นตอนวิธี Expectation-Maximization (EM) 11.6 การเปรียบเทียบประสิทธิภาพขั้นตอนวิธีในการจัดกลุ่ม 11.7 เอกสารอ้างอิง 11.8 คำถามท้าย