ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Angular and Machine Learning Pocket Primer

دانلود کتاب آغازگر جیبی Angular and Machine Learning

Angular and Machine Learning Pocket Primer

مشخصات کتاب

Angular and Machine Learning Pocket Primer

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1683924703, 9781683924708 
ناشر: Mercury Learning & Information 
سال نشر: 2020 
تعداد صفحات: 279 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 39,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Angular and Machine Learning Pocket Primer به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب آغازگر جیبی Angular and Machine Learning نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب آغازگر جیبی Angular and Machine Learning

به عنوان بخشی از پرفروش‌ترین سری Pocket Primer، این کتاب برای آشنا کردن خواننده با مفاهیم اولیه یادگیری ماشین و گنجاندن آن دانش در برنامه‌های Angular طراحی شده است. در نظر گرفته شده است که این کتاب مقدمه ای سریع برای برخی از ویژگی های اساسی یادگیری ماشین و مروری بر چندین طبقه بندی کننده محبوب یادگیری ماشین باشد. این شامل نمونه‌های کد و شکل‌های متعدد است و موضوعاتی مانند عملکرد Angular، مفاهیم اولیه یادگیری ماشین، الگوریتم‌های طبقه‌بندی، TensorFlow و Keras را پوشش می‌دهد. فایل‌ها با کد و شکل‌های رنگی روی دیسک همراه کتاب هستند یا از ناشر موجود هستند.

ویژگی ها:

  • مفاهیم اولیه یادگیری ماشین و برنامه های کاربردی Angular را معرفی می کند
  • شامل کد منبع و شکل های رنگی کامل (همچنین از ناشر موجود است برای دانلود با نوشتن به info@merclearning.com)

توضیحاتی درمورد کتاب به خارجی

As part of the best-selling Pocket Primer series, this book is designed to introduce the reader to basic machine learning concepts and incorporate that knowledge into Angular applications. The book is intended to be a fast-paced introduction to some basic features of machine learning and an overview of several popular machine learning classifiers. It includes code samples and numerous figures and covers topics such as Angular functionality, basic machine learning concepts, classification algorithms, TensorFlow and Keras. The files with code and color figures are on the companion disc with the book or available from the publisher.

Features:

  • Introduces the basic machine learning concepts and Angular applications
  • Includes source code and full color figures (Also available from the publisher for downloading by writing to info@merclearning.com)


فهرست مطالب

Cover
Half-Title
License
Title page
Copyright
Dedication
Contents
Preface
Chapter 1: Quick Introduction toAngular
	What You Need to Understand for Angular Applications
	A High-Level View of Angular
	A High-Level View of Angular Applications
	The Angular CLI
	Features of the Angular CLI (optional)
	A “Hello World” Angular Application
	The Contents of the Three Main Files
	The index.html Web Page
	Exporting and Importing Packages and Classes (optional)
	Working with Components in Angular
	Syntax, Attributes, and Properties in Angular
	Angular Lifecycle Methods
	A Simple Example of Angular Lifecycle Methods
	CSS3 Animation Effects in Angular
	Animation Effects via the “Angular Way”
	A Basic SVG Example in Angular
	Detecting Mouse Positions in Angular Applications
	Angular and Follow-the-Mouse in SVG
	Angular and SVG Charts
	D3 Animation and Angular
	Summary
Chapter 2: UI Controls, User Input,and Pipes
	The ngFor Directive in Angular
	Displaying a Button in Angular
	Angular and Radio Buttons
	Adding Items to a List in Angular
	Deleting Items from a List in Angular
	Angular Directives and Child Components
	The Constructor and Storing State in Angular
	Conditional Logic in Angular
	Handling User Input
	Click Events in Multiple Components
	Working with @Input, @Output, and EventEmitter
	Presentational Components
	Working with Pipes in Angular
	Creating a Custom Angular Pipe
	Reading JSON Data via an Observable in Angular
	Upgrading Code from Earlier Angular Versions
	Reading Multiple Files with JSON Data in Angular
	Reading CSV Files in Angular
	Summary
Chapter 3: Forms and Services
	Overview of Angular Forms
	An Angular Form Example
	Angular Forms with FormBuilder
	Angular Reactive Forms
	Other Form Features in Angular
	What are Angular Services?
	An Angular Service Example
	A Service with an EventEmitter
	Searching for a GitHub User
	Other Service-Related Use Cases
	Flickr Image Search Using jQuery and Angular
	HTTP GET Requests with a Simple Server
	HTTP POST Requests with a Simple Server
	An SVG Line Plot from Simulated Data in Angular(optional)
	Summary
Chapter 4: Intro to Machine Learning
	What is Machine Learning?
	Types of Machine Learning Algorithms
	Feature Engineering, Selection, and Extraction
	Dimensionality Reduction
	Working with Datasets
	What is Regularization?
	The Bias-Variance Tradeoff
	Metrics for Measuring Models
	Other Useful Statistical Terms
	What is Linear Regression?
	Other Types of Regression
	Working with Lines in the Plane (optional)
	Scatter Plots with NumPy and Matplotlib (1)
	Scatter Plots with NumPy and Matplotlib (2)
	A Quadratic Scatterplot with NumPy and Matplotlib
	The Mean Squared Error (MSE) Formula
	Calculating the MSE Manually
	Approximating Linear Data with np.linspace()
	Calculating MSE with np.linspace() API
	Linear Regression with Keras
	Summary
Chapter 5: Working with Classifiers
	What is Classification?
	What are Linear Classifiers?
	What is kNN?
	What are Decision Trees?
	What are Random Forests?
	What are SVMs?
	What is Bayesian Inference?
	What is a Bayesian Classifier?
	Training Classifiers
	Evaluating Classifiers
	What are Activation Functions?
	Common Activation Functions
	The ReLU and ELU Activation Functions
	Sigmoid, Softmax, and Hardmax Similarities
	Sigmoid, Softmax, and HardMax Differences
	What is Logistic Regression?
	Keras, Logistic Regression, and Iris Dataset
	Summary
Chapter 6: Angular and TensorFlow.js
	What is TensorFlow.js?
	Working with Tensors in TensorFlow.js
	Machine Learning APIs in TensorFlow.js
	Linear Regression with TensorFlow.js
	Angular, TensorFlow.js, and Linear Regression
	Creating Line Graphs in tfjs-vis
	Creating Bar Charts in tfjs-vis
	Creating Scatter Plots in tfjs-vis
	Creating Histograms in tfjs-vis
	Creating Heat Maps in tfjs-vis
	TensorFlow.js, tfjs-vis, and Linear Regression
	Summary
Appendix A: Introduction to Keras
	What is Keras?
	Creating a Keras-Based Model
	Keras and Linear Regression
	Keras, MLPs, and MNIST
	Keras, CNNs, and cifar10
	Resizing Images in Keras
	Keras and Early Stopping (1)
	Keras and Early Stopping (2)
	Keras and Metrics
	Saving and Restoring Keras Models
	Summary
INDEX




نظرات کاربران