000			03045cam a22002054a 4500
005			20250605164406.0
008			250528s ||||||||||||||||||||||||d
035			_a24838
020			_a9789604619955
040			_aGR-AtMCL _bgre _dGR-AtMCL _eAACR2
245	1		_aΜηχανική μάθηση
260			_bΚλειδάριθμος, _c2019
300			_a792
520			_aΗ Μηχανική Μάθηση αποτελεί ίσως τον πιο ραγδαία αναπτυσσόμενο τομέα της Τεχνητής Νοημοσύνης καθώς τα τελευταία χρόνια, ειδικά μετά την έλευση της Βαθιάς Μάθησης, έχει προσφέρει πληθώρα μεθόδων με πολύ καλά έως εντυπωσιακά αποτελέσματα σε όλες σχεδόν τις εφαρμογές που απαιτούν ευφυΐα. Στο βιβλίο αυτό περιγράφονται με συστηματικό τρόπο οι τρεις βασικοί τύποι μάθησης: η μάθηση με επίβλεψη, η μάθηση χωρίς επίβλεψη και η μάθηση με ενίσχυση. Για κάθε τύπο μάθησης αναλύονται τα σημαντικότερα μοντέλα, όπως τα νευρωνικά δίκτυα, οι μηχανές διανυσμάτων υποστήριξης (SVM), τα πιθανοτικά μοντέλα Bayes, τα γραφικά μοντέλα, τα στοχαστικά μοντέλα - όπως το κρυφό μοντέλο Markov (HMM), τα αναδρομικά μοντέλα όπως το LSTM, και πολλά άλλα. Ειδικά για τα νευρωνικά δίκτυα, που αποτελούν ένα πολύ σημαντικό μέρος των μεθόδων μηχανικής μάθησης, παρέχεται συστηματική και αναλυτική παρουσίαση, η οποία ξεκινά από το απλό μοντέλο Perceptron του ενός νευρώνα και φτάνει έως τα πολυπλοκότερα μοντέλα, όπως τα βαθιά νευρωνικά δίκτυα. Για κάθε μοντέλο δίνεται το αναγκαίο μαθηματικό υπόβαθρο για την κατανόηση της λειτουργίας του, με προαπαιτούμενες μόνο βασικές μαθηματικές γνώσεις θεωρίας πιθανοτήτων και γραμμικής άλγεβρας. Πρόσθετα, δίνεται έμφαση στην αλγοριθμική διάσταση των μοντέλων, καθώς τα περισσότερα από αυτά συνοδεύονται από τον σχετικό ψευδοκώδικα και από παραδείγματα εφαρμογής.
700	1		_aΔιαμαντάρας Κωνσταντίνος _99580
700	1		_aΜπότσης Δημήτρης _99581
942			_cBK
999			_c9677 _d9677