📚 به نظرم اگر قرار است به صورت تخصصی وارد حوزه deep Learning شویم، درک مبانی Pattern Recognition می‌تواند پایه بسیار خوبی باشد؛ مخصوصاً وقتی هدف فقط استفاده از مدل‌ها نیست و می‌خواهیم بفهمیم پشت الگوریتم‌ها چه می‌گذرد. خوندن این مفاهیم، یادگیری مباحث مدرن مثل Deep Learning را هم راحت‌تر می‌کند.
در ادامه دو کتابی که خودم خوانده‌ام و برای شروع و ساختن بینش و ذهنیت پایه مناسب هست رو معرفی می‌کنم.

📚 عنوان کتاب اول: Introduction to Pattern Recognition: A MATLAB Approach
نویسندگان:  Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras
 
این کتاب یک راهنمای عملی و مکمل برای کتاب معروف Pattern Recognition است و تمرکز اصلی‌اش روی پیاده‌سازی الگوریتم‌ها با MATLAB است.
  
💡 ویژگی‌های کتاب:
-         شامل کدهای MATLAB اکثر الگوریتم‌های مهم
-         مثال‌های حل‌شده با داده‌های واقعی  
-         مناسب برای دانشجویان و مهندسانی که می‌خواهند همزمان تئوری و پیاده‌سازی یاد بگیرند
-         رویکرد آموزشی و قدم به قدم

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

لینک کدهای GitHub:
https://github.com/pikrakis/Introduction-to-Pattern-Recognition-a-Matlab-Approach

📚 عنوان کتاب دوم:  Pattern Classification (Second Edition)
نویسندگان:  Richard O. Duda, Peter E. Hart, David G. Stork
 
یکی از کلاسیک‌ترین و تأثیرگذارترین کتاب‌های تاریخ شناسایی الگو که نسخه دوم آن با مباحث شبکه‌های عصبی و یادگیری ماشین به روزرسانی شده است.

💡ویژگی‌های کتاب:
-         پوشش عمیق و سیستماتیک مفاهیم بنیادین
-         توضیح واضح روش‌های کلاسیک و جدید
-         مثال‌های کارشده و مقایسه‌های دقیق بین روش‌ها
-         پایه‌ای بسیار قوی برای درک تئوری تصمیم و شناسایی الگوی آماری

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

📚 مطالعه در سایت:
https://onlinebme.com/pattern-recognition-books/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme