🛒🛒 สินค้าพร้อมส่งทุกรายการ ดู Stock ได้จากในระบบนะคะ 🛒🛒
📚📚 จำหน่ายหนังสือมือหนึ่ง ใหม่ 100% นะคะ 📚📚
🚚🚚💨💨 ทางร้านจัดส่งสินค้าทุกวัน จันทร์ - อาทิตย์ นะคะ 🚚🚚💨💨
ตัดรอบ 12.00 น. หากสั่งก่อน 12.00 ส่งภายในวันเลยค่ะ

🎯🎯 กดติดตามร้าน ได้รับโค้ดส่วนลดพิเศษ และ เตรียมรับโปรโมชั่น อัพเดทนะคะ 🎯🎯

อ่านก่อนกดสั่งนะคะ
1.กรุณาตรวจสอบ ชื่อ นามสกุล เบอร์โทร ที่อยู่ให้ถูกต้อง ทางร้านไม่รับแก้ไขให้นะคะ
เพราะการจัดส่ง ขนส่งจะดูข้อมูลในระบบที่ลูกค้าได้ทำการใส่ข้อมูลไว้เท่านั้นนะคะ
2.เมื่อกดสั่งสินค้าแล้ว งดยกเลิกทุกกรณีนะคะ
3.หนังสือของทางร้านเป็นมือหนึ่ง สภาพใหม่ 100% ส่งตรงจากสำนักพิมพ์ แต่เมื่อถึงปลายทางสภาพหนังสือเสียหาย
นั้นเกิดจากการจัดการของขนส่งนะคะ
4.รบกวนขอดาว 5 ดวงนะคะ หากพอใจสินค้าและบริการของทางร้าน 🧡🧡🧡🧡🧡

----------------------------------------------------------------------------------------------------------------------------------------------
ISBN :9786164870710
Barcode :9786164870710
ขนาดหนังสือ :21 x 29 ซม.
ความหนาสินค้า :2.2 ซม.
น้ำหนัก :1020 กรัม
จำนวนหน้า :356 หน้า
วันวางจำหน่าย :29/11/62
นักเขียน :รศ.ดร.ปริญญา สงวนสัตย์
บรรณาธิการ :ภีรพล คชาเจริญ
สารบัญ
บทที่ 1 บทนำ
1.1 ปัญญาประดิษฐ์ (Artificial Intelligence: AI)
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 C4.5
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-Cl 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-Cl 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 Clifier)
8.5 ตัวจำแนกประเภทแบบเบย์อย่างง่าย (Naïve Bayes Clifier)
8.6 การจำแนกประเภทข้อความ (Text Clification)
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