دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Abhishek Thakur
سری: None of the series to which the book is belonged
ISBN (شابک) : 9788269211528
ناشر:
سال نشر: 2020
تعداد صفحات: 301
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Approaching (Almost) Any Machine Learning Problem 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 نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی 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.
این کتاب سنتی نیست. کتاب دارای کدهای زیادی است. اگر روش اول کد را دوست ندارید این کتاب را نخرید. در دسترس قرار دادن کد در Github یک گزینه نیست. این کتاب برای افرادی است که دانش نظری در مورد یادگیری ماشین و یادگیری عمیق دارند و می خواهند در یادگیری ماشین کاربردی شیرجه بزنند. این کتاب الگوریتمها را توضیح نمیدهد، اما بیشتر به این موضوع میپردازد که چگونه و چه چیزی باید برای حل مشکلات یادگیری ماشین و یادگیری عمیق استفاده کنید. اگر به دنبال اصول اولیه هستید، این کتاب برای شما مناسب نیست. اگر به دنبال راهنمایی برای نزدیک شدن به مشکلات یادگیری ماشین هستید، این کتاب برای شما مناسب است. این کتاب با یک فنجان قهوه و یک لپتاپ/ایستگاه کاری که میتوانید در آن کدنویسی کنید، بهتر است لذت ببرید. فهرست مطالب: - تنظیم محیط کاری - یادگیری تحت نظارت در مقابل یادگیری بدون نظارت - اعتبار سنجی متقابل - معیارهای ارزیابی - تنظیم پروژه های یادگیری ماشینی - نزدیک شدن به متغیرهای طبقه بندی شده - مهندسی ویژگی - انتخاب ویژگی - بهینه سازی هایپرپارامتر - نزدیک شدن به طبقه بندی و تقسیم بندی تصویر - نزدیک شدن به طبقه بندی / رگرسیون متن - نزدیک شدن به گروه بندی و انباشته شدن - نزدیک شدن به سرویس کد و مدل قابل تکرار هیچ عنوان فرعی وجود ندارد. اصطلاحات مهم با حروف درشت نوشته شده اند. من به تمام سوالات شما در رابطه با کتاب پاسخ خواهم داد و آموزش های یوتیوب را برای پوشش مواردی که در کتاب مطرح نشده است تهیه خواهم کرد. برای پرسیدن سؤالات/تردیدها، لطفاً یک مشکل در github repo ایجاد کنید: https://github.com/abhishekkrthakur/approachingalmost و در کانال یوتیوب من مشترک شوید: https://bit.ly/abhitubesub
This is not a traditional book. The book has a lot of code. If you don't like the code first approach do not buy this book. Making code available on Github is not an option. This book is for people who have some theoretical knowledge of machine learning and deep learning and want to dive into applied machine learning. The book doesn't explain the algorithms but is more oriented towards how and what should you use to solve machine learning and deep learning problems. The book is not for you if you are looking for pure basics. The book is for you if you are looking for guidance on approaching machine learning problems. The book is best enjoyed with a cup of coffee and a laptop/workstation where you can code along. Table of contents: - Setting up your working environment - Supervised vs unsupervised learning - Cross-validation - Evaluation metrics - Arranging machine learning projects - Approaching categorical variables - Feature engineering - Feature selection - Hyperparameter optimization - Approaching image classification & segmentation - Approaching text classification/regression - Approaching ensembling and stacking - Approaching reproducible code & model serving There are no sub-headings. Important terms are written in bold. I will be answering all your queries related to the book and will be making YouTube tutorials to cover what has not been discussed in the book. To ask questions/doubts, please create an issue on github repo: https://github.com/abhishekkrthakur/approachingalmost And Subscribe to my youtube channel: https://bit.ly/abhitubesub