Introduction to Deep Learning — Sandro Skansi (en) 2018

Введение в область нейронных сетей.

#book #beginner

Big Data Analysis for Bioinformatics and Biomedical Discoveries — Shui Qing Ye (en) 2015
#book #middle
@Machine_learn

Big Data Analysis for Bioinformatics and Biomedical Discoveries — Shui Qing Ye (en) 2015
#book #middle
@Machine_learn

R: Unleash Machine Learning Techniques — Raghav Bali, Dipanjan Sarkar, Brett Lantz, Cory Lesmeister (en) 2016
#book #junior #r_lang
@Machine_learn

R: Unleash Machine Learning Techniques — Raghav Bali, Dipanjan Sarkar, Brett Lantz, Cory Lesmeister (en) 2016
#book #junior #r_lang
@Machine_learn

#Recent Advances in Recurrent Neural Networks
#paper
@Machine_learn

Python Machine Learning Case Studies — Danish Haroon (en) 2017
#book #middle #python
@Machine_learn

Python Machine Learning Case Studies — Danish Haroon (en) 2017
#book #middle #python
@Machine_learn

#Starting Out With Python
#2018
#Book
@Machine_learn

#Starting Out With Python
#2018
#Book
@Machine_learn

Gaussian Processes for Machine Learning – C. E. Rasmussen, Christopher K. I. Williams (en) 2006
#book #middle #theory
@Machine_learn

Gaussian Processes for Machine Learning – C. E. Rasmussen, Christopher K. I. Williams (en) 2006
#book #middle #theory
@Machine_learn

Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016
#book #middle #theory
@Machine_learn

Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016
#book #middle #theory
@Machine_learn

#موضوع: سیستم پیشنهاد دهنده مبتنی بر رویکرد های طبقه بندی.
Recommender system base on classification methods
#تعریف:
یک سیستم پیشنهاددهنده، در واقع، مکانیزمی قوی برای انجام عمل فیلترینگ (پالایش) اطلاعاتی است. این سیستم ها به فن محبوبی برای هرس کردن فضاهای بزرگ اطلاعاتی تبدیل شده اند که کاربران را به سوی بهترین اقلامی که نیازشان را مرتفع می نماید، هدایت می کنند. این فن، جزء جدانشدنی پایگاه های تجاری از قبیلAmazon، Yahoo و CDNow شده است.

سیستم های پیشنهاددهنده، برای پیشنهاددادن به کاربران نیازمند اطلاعات کافی و صحیح در مورد کاربران و آیتم های مورد نظر آنها نظیر: مقاله، کتاب، فیلم یا موزیک می باشند. منابع و روش های گوناگونی برای جمع آوری چنین اطلاعاتی وجود دارد. یک روش جمع آوری اطلاعات، به صورت صریح است که در آن کاربر آشکارا اعلام می کند که به چه چیزهایی علاقه دارد؛ به عنوان نمونه، با امتیاز دادن (1) به یک مقاله.
روش دیگر، روش ضمنی است که کمی دشوارتر است و در آن، سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت های او بیابد؛ مثلاً باید بررسی شود که کاربر چه مقالاتی را دانلود می کند و یا چه مقالاتی را مشاهده می کند. علاوه بر اطلاعات ضمنی و صریح، برخی از سیستم ها نیز هستند که از اطلاعات شخصی کاربران (2) استفاده می کنند؛ به عنوان مثال، سن، جنسیت و ملیت کاربران می تواند منبع خوبی برای شناخت کاربر و ارائه پیشنهاد به وی باشد. گروهی از سیستم های پیشنهاددهنده، مبتنی بر همین اطلاعات بنا شده اند. با ظهور وب و گسترش شبکه های اجتماعی در سال های اخیر، محققان به منبع اطلاعاتی دیگری برای بهبود کیفیت پیشنهادها پی بردند که همان اطلاعات موجود در شبکه های اجتماعی است و بر همین اساس، کارهای تحقیقاتی بسیاری در این حوزه صورت پذیرفت.
#ماهیت مسأله: در یک سیستم پیشنهاد دهنده هدف اصلی امتیاز دادن به آیتم هایی است که بیشترین شباهت را نسبت به یک کاربر دارند. در واقع ماهیت مسأله به صورت regression می باشد که در آن سیستم سعی دارد رتبه هر یک از آیتم ها را مشخص کند و آیتم ها با بیشترین رتبه را به کاربر پیشنهاد دهد.
#نوآوری: با بررسی مطالعات آماری بر روی این سیستم ها به این نتیجه رسیدیم که توزیع داده ها به گونه ای است که بیشترین رتبه ها مربوط به امتیاز های ۴ به بالا می باشند در این صورت می توان از یک طبقه بند دودویی برای این منظور استفاده کرد و کافیست تا تنها آیتم هایی که رتبه یک گرفته اند را به کاربران پیشنهاد دهیم.

______________________________
#موضوع_پایان نامه
@Raminmousa

Deep Feature Extraction and Classification of
Hyperspectral Images Based on
Convolutional Neural Networks #paper @Machine_learn

Optimal Deep Learning LSTM Model for Electric
Load Forecasting using Feature Selection and Genetic
Algorithm: Comparison with Machine
Learning Approaches #paper @Machine_learn