หนังสือ Artificial Intelligence with Machine Learning, AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง

2. Source Code เขียนขึ้นมาจากพื้นฐาน ไม่ใช้ไลบารีระดับสูง ผู้อ่านสามารถประยุกต์ใช้ภาษาที่ตนเองถนัดได้
3. เนื้อหา ขั้นตอนวิธี และโปรแกรมตัวอย่างที่เขียนขึ้นด้วยภาษา Pythonบทที่ 1 บทนำ
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 C
4.5
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#Artificial #Intelligence #AI #แมชชีนเลิร์นนิ่ง #ปัญญาประดิษฐ์ #Future Brain #หนังสือคอมพิวเตอร์