- عنوان کتاب: Hybrid Imaging and Visualization Employing Machine Learning with Mathematica – Python
- نویسنده: Joseph Awange, Béla Paláncz, Lajos Völgyesi
- حوزه: یادگیری ماشین
- سال انتشار: 2025
- تعداد صفحه: 471
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 15.2 مگابایت
این ویرایش دوم کتاب تصویربرداری و تجسم ترکیبی، چهار موضوع جدید اضافه میکند: تفکیککننده فیشر، که یک تفکیککننده خطی است که میتواند جداسازی بهینه اشیاء را فراهم کند (بخش 2.6)، و تبدیل سریهای زمانی به تصاویر که در نتیجه امکان استفاده از شبکه عصبی کانولوشن را برای طبقهبندی مؤثر سریهای زمانی فراهم میکند (بخش 3.6). بهینهسازی ابرپارامترها یک کار مهم در یادگیری ماشین است و عمدتاً از روشهای تصادفی سراسری استفاده میشود. در میان سایر روشها، الگوریتم سیاهچاله معرفی و با سایر روشهای معمولتر مقایسه میشود (فصل 6)، و ChatGPT، یک فناوری هوش مصنوعی مولد جدید و بسیار محبوب در دو سال گذشته، معرفی و توانایی آن نشان داده میشود (فصل 7). تفکیککننده فیشر که در بخش 2.6 ارائه شده است، میتواند به عنوان یک طبقهبندیکننده یادگیری نظارتشده استفاده شود. با توجه به دادههای برچسبگذاری شده، طبقهبندیکننده میتواند مجموعهای از وزنها را برای ترسیم مرز تصمیمگیری پیدا کند و دادهها را طبقهبندی کند. تفکیککننده خطی فیشر تلاش میکند برداری را پیدا کند که جداسازی بین کلاسهای دادههای پیشبینیشده را به حداکثر میرساند، مشابه روش ماشین بردار پشتیبان (SVM). اغلب، در دنیای واقعی، یک تفکیککننده خطی به اندازه کافی پیچیده نیست که بتواند مجموعه دادهها را به طور موثر جدا کند. برای مقابله با جداسازیهای غیرخطی، باید از تفکیککننده فیشر با هستههای مختلف استفاده کرد. در این بخش، مثالهای مختلفی برای نشان دادن این تکنیک ارائه شده است. تبدیل سریهای زمانی به تصویر که در بخش 3.6 مورد بحث قرار گرفته است، در مورد طبقهبندی و همچنین خوشهبندی سریهای زمانی مفید است، زیرا شبکه عصبی کانولوشن (CNN) میتواند تصاویر را به طور بسیار موثری مدیریت کند. در این بخش، روش میدان زاویهای گرامیان با استفاده از یک مثال ساده معرفی و نشان داده میشود. بهینهسازی ابرپارامترهای ارائه شده در فصل 6 برای استفاده کارآمد از الگوریتمهای یادگیری ماشین (ML) بسیار مهم است، اگرچه به بار محاسباتی سنگینی نیاز دارد. مشکل از دو منبع ناشی میشود (الف) الگوریتم پایه باید بارها تکرار شود، و (ب) در بیشتر موارد، بهینههای محلی بیشتری وجود دارد، در نتیجه باید از روشهای بهینهسازی سراسری استفاده شود. کارایی تکنیکهای مختلف بهینهسازی سراسری با استفاده از مورد یک مسئله طبقهبندی تصویر نشان داده میشود. در نهایت، ChatGPT، که امروزه محبوبترین موضوع هوش مصنوعی است، در فصل 7 معرفی میشود، که در آن اصول و زمینههای کاربرد آن مورد بحث و بررسی قرار میگیرد. شاید گیجکنندهترین مسئله این باشد که چگونه میتوان از آن برای نوشتن کدهای کامپیوتری و درک معنای دقیق آن استفاده کرد. با این حال، باید در نظر داشت که هرچه فرد در برنامهنویسی کامپیوتر تجربه بیشتری داشته باشد و بتواند ویژگیهای کد مورد نیاز را تعریف کند، نتایج ChatGPT کارآمدتر خواهد بود.
This second edition of Hybrid Imaging and Visualization book adds four new topics: Fisher discriminant, which is a linear discriminant that can provide an optimal separation of objects (Sect. 2.6), and converting time series into images thereby making it possible to employ convolution neural network to classify time series effectively (Sect. 3.6). Optimizing hyperparameters is an important task in machine learning and mostly, stochastic global methods are used. Among others, the fancy Black Hole algorithm is introduced and compared with other more usual methods (Chap. 6), and ChatGPT a novel and in the last two years very popular Generative AI technology is introduced and its ability is illustrated (Chap. 7). Fisher discriminant presented in Sect. 2.6 can be used as a supervised learning classifier. Given labeled data, the classifier can find a set of weights to draw a decision boundary, classifying the data. Fisher’s linear discriminant attempts to find the vector that maximizes the separation between classes of the projected data similar to the support vector machine (SVM) method. Often, in the real world, a linear discriminant is not complex enough to separate datasets effectively. To deal with nonlinear separations, one should employ Fisher discriminant with different kernels. Different examples are given in this section to demonstrate this technique. Converting time series into image discussed in Sect. 3.6 is useful in case of classification as well as clustering of time series since convolutional neural network (CNN) can handle images very effectively. In this section, the Gramian Angular Field method is introduced and demonstrated using a toy example. Optimizing hyperparameters presented in Chap. 6 is very important for efficient use of Machine Learning (ML) algorithms, although it requires heavy computing load. The problem comes from two sources (a) the basic algorithm should be repeated many times, and (b), in most cases, there are more local optimums, consequently global optimization methods should be employed. The efficiency of different global optimization techniques is demonstrated using the case of an image classification problem. Finally, the ChatGPT, which is nowadays the most popular AI topic is introduced in Chap. 7, where its principle and application areas are discussed and demonstrated. Perhaps the most perplexing issue is how one employs it for writing computer codes and getting an explanation of its detailed meaning. One should however keep in mind that the more one is experienced in computer programming and able to define the characteristics of the needed code, the more efficient the ChatGPT results will be.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Hybrid Imaging and Visualization Employing Machine Learning with Mathematica – Python
نظرات کاربران