Veri Madenciliği - Algoritmik Zeka ve Makine Öğrenmesi ile İçgörülerin Kilidini Açma
Fouad Sabry
Traducteur Utku Adal
Maison d'édition: Bir Milyar Bilgili [Turkish]
Synopsis
1: Veri madenciliği: Bu bölüm, veri madenciliğinin temellerini tanıtmakta ve algoritmaların ve araçların robotikte büyük veri kümelerini analiz etmek için nasıl uygulandığına odaklanmaktadır. 2: Makine öğrenimi: Veri madenciliği ve makine öğreniminin kesişimini inceleyerek, modellerin robotik sistemlerde kalıpları tanıması ve tahminlerde bulunması için nasıl eğitilebileceğini göstermektedir. 3: Metin madenciliği: Metin madenciliğini inceleyerek, robotik sistemlerin yapılandırılmamış metinsel verilerden nasıl yararlı bilgiler çıkarabileceğini göstermektedir. 4: İlişkilendirme kuralı öğrenimi: Robotlarda karar vermeyi iyileştirmek için çok önemli olan verilerdeki gizli ilişkileri ortaya çıkarmak için ilişkilendirme kuralı madenciliği tekniklerini tanıtır. 5: Yapılandırılmamış veriler: Robotik bağlamında görüntü veya ses gibi yapılandırılmamış verilerle başa çıkmanın zorluklarını ve yöntemlerini tartışır. 6: Kavram kayması: Bu bölüm, yeni veriler değişiklikler getirerek robot performansını etkiledikçe makine öğrenimi modellerinin zamanla nasıl adapte olduğunu açıklar. 7: Weka (yazılım): Robotik uygulamalarda çeşitli madencilik algoritmalarını uygulamak için veri madenciliği için popüler bir açık kaynaklı yazılım olan Weka'nın kullanımını kapsar. 8: Profilleme (bilgi bilimi): Sistemlerin davranışını anlamak ve gelecekteki eylemleri tahmin etmek için kullanılan profilleme tekniklerine odaklanır ve robotik karar vermeyi geliştirir. 9: Sahtekarlık tespiti için veri analizi: Veri madenciliğinin robotların finans veya güvenlik gibi çeşitli alanlardaki sahtekarlıkları ve anormallikleri belirlemesine nasıl yardımcı olabileceğini araştırır. 10: ELKI: Gelişmiş veri madenciliği teknikleri için yararlı olan ve robotik sistemlere uygulanan ELKI çerçevesine derinlemesine bir dalış sağlar. 11: Eğitimsel veri madenciliği: Eğitimsel veri madenciliğinin robot destekli öğrenme ortamlarını ve kişiselleştirilmiş eğitimi nasıl iyileştirebileceğini araştırır. 12: Bilgi çıkarma: Büyük veri kümelerinden değerli içgörüler çıkarma sürecini inceler ve robotların daha iyi kararlar almasına rehberlik eder. 13: Veri bilimi: Veri bilimini robotik biliminin ayrılmaz bir parçası olarak tanıtır ve daha akıllı, daha yetenekli robotlar inşa etmek için temel oluşturur. 14: Büyük Çevrimiçi Analiz: Robotların yeni bilgilere anında uyum sağlamasını garanti altına alarak büyük veri kümelerini gerçek zamanlı olarak işleme tekniklerini ele alır. 15: Veri madenciliği örnekleri: Bu bölüm, robotikte veri madenciliği uygulamalarının gerçek dünya örneklerini sunarak pratik faydasını sergiler. 16: Yapay zeka: Yapay zekanın veri madenciliği teknikleriyle nasıl bütünleştiğini ve robotlara gelişmiş karar alma yetenekleri kazandırdığını inceler. 17: Gözetimli öğrenme: Gözetimli öğrenme modellerine ve etiketli veriler aracılığıyla robotları belirli görevler için eğitmek için nasıl kullanıldıklarına odaklanır. 18: Sinir ağı (makine öğrenimi): Sinir ağlarını ve gelişmiş robotik ve otonom sistemler için gerekli olan insan beyni işlevlerini nasıl taklit ettiklerini tanıtır. 19: Desen tanıma: Robotların ham verilerden nesneleri, jestleri veya konuşmayı tanımlamasını sağlayan desen tanıma tekniklerini ele alır. 20: Gözetimsiz öğrenme: Robotların önceden tanımlanmış etiketler olmadan verilerden öğrenmesini sağlayan ve daha fazla özerklik sağlayan gözetimsiz öğrenme tekniklerini kapsar. 21: Eğitim, doğrulama ve test veri kümeleri: Veri kümelerinin makine öğrenimi modellerini değerlendirme ve iyileştirmede, robotik doğruluğu ve güvenilirliği artırmadaki kritik rolünü açıklar.
Disponible depuis: 17/12/2024.
Longueur d'impression: 327 pages.
