دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Ensemble Machine Learning Cookbook
دانلود کتاب کتاب آشپزی گروه یادگیری ماشین
مشخصات کتاب
Ensemble Machine Learning Cookbook
ویرایش: نویسندگان: Sarkar. Dipayan., Natarajan. Vijayalakshmi., سری: ISBN (شابک) : 9781789136609 ناشر: Packt Publishing سال نشر: 2019 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
قیمت کتاب (تومان) : 32,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Ensemble Machine Learning Cookbook 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 کتاب آشپزی گروه یادگیری ماشین 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 کتاب آشپزی گروه یادگیری ماشین
پیاده‌سازی الگوریتم‌های یادگیری ماشین برای ساخت مدل‌های گروه با استفاده از Keras، H2O، Scikit-Learn، Pandas و سایر ویژگی‌های کلیدی استفاده از الگوریتم‌های یادگیری ماشینی محبوب با استفاده از رویکرد مبتنی بر دستور العمل پیاده‌سازی روش‌های تقویت، بسته‌بندی، و دسته‌بندی مجموعه برای بهبود مدل‌های یادگیری ماشینی کشف واقعی- برنامه‌های گروه جهانی و مواجهه با چالش‌های پیچیده در مسابقات Kaggle شرح کتاب مدل‌سازی گروهی رویکردی است که برای بهبود عملکرد مدل‌های یادگیری ماشین استفاده می‌شود. این دو یا چند الگوریتم یادگیری ماشینی مشابه یا غیر مشابه را برای ارائه قدرت های فکری برتر ترکیب می کند. این کتاب به شما کمک می‌کند تا الگوریتم‌های یادگیری ماشینی محبوب را پیاده‌سازی کنید تا پارادایم‌های مختلف یادگیری ماشینی گروهی مانند تقویت، بسته‌بندی و انباشتگی را پوشش دهید. کتاب آشپزی یادگیری ماشین گروهی با آشنایی شما با اصول تکنیک های گروهی و تجزیه و تحلیل داده های اکتشافی آغاز می شود. سپس یاد خواهید گرفت که وظایف مربوط به الگوریتم های آماری و یادگیری ماشینی را برای درک مجموعه الگوریتم های ناهمگن چندگانه پیاده سازی کنید. همچنین تضمین می کند که موضوعات کلیدی مانند روش های نمونه گیری مجدد را از دست ندهید. همانطور که پیشرفت می کنید، درک بهتری از چمدان، تقویت، انباشته کردن و کار با الگوریتم جنگل تصادفی با استفاده از مثال های دنیای واقعی خواهید داشت. این کتاب نشان می‌دهد که چگونه این روش‌های مجموعه از چندین مدل برای بهبود نتایج یادگیری ماشین در مقایسه با یک مدل استفاده می‌کنند. در فصل‌های پایانی، مدل‌های مجموعه پیشرفته با استفاده از شبکه‌های عصبی، پردازش زبان طبیعی و موارد دیگر را بررسی خواهید کرد. همچنین می‌توانید مدل‌هایی مانند تشخیص تقلب، دسته‌بندی متن و تحلیل احساسات را پیاده‌سازی کنید. تا پایان این کتاب، می‌توانید از تکنیک‌های مجموعه و مکانیسم‌های کار الگوریتم‌های یادگیری ماشین برای ساخت مدل‌های هوشمند با استفاده از دستور العمل‌های فردی استفاده کنید. آنچه یاد خواهید گرفت درک نحوه استفاده از الگوریتم های یادگیری ماشین برای مشکلات رگرسیون و طبقه بندی پیاده سازی تکنیک های گروهی مانند میانگین گیری، میانگین وزنی، و حداکثر رای گیری با روش های پیشرفته مجموعه، مانند بوت استرپ، بسته بندی، و انباشتن استفاده کنید. استفاده از جنگل تصادفی برای وظایفی مانند طبقه‌بندی و رگرسیون پیاده‌سازی مجموعه‌ای از الگوریتم‌های یادگیری ماشینی همگن و ناهمگن یادگیری و پیاده‌سازی تکنیک‌های تقویتی مختلف، مانند AdaBoost، Gradient Boosting Machine و XGBoost این کتاب برای چه کسی است این کتاب برای دانشمندان داده، توسعه‌دهندگان یادگیری ماشین طراحی شده است. و علاقه مندان به یادگیری عمیق که می خواهند الگوریتم های یادگیری ماشین را برای ساخت مدل های مجموعه قدرتمند بررسی کنند. دانش برنامه نویسی پایتون و آمار اولیه برای کمک به درک مفاهیم کتاب ضروری است.
توضیحاتی درمورد کتاب به خارجی
Implement machine learning algorithms to build ensemble models using Keras, H2O, Scikit-Learn, Pandas and more Key Features Apply popular machine learning algorithms using a recipe-based approach Implement boosting, bagging, and stacking ensemble methods to improve machine learning models Discover real-world ensemble applications and encounter complex challenges in Kaggle competitions Book Description Ensemble modeling is an approach used to improve the performance of machine learning models. It combines two or more similar or dissimilar machine learning algorithms to deliver superior intellectual powers. This book will help you to implement popular machine learning algorithms to cover different paradigms of ensemble machine learning such as boosting, bagging, and stacking. The Ensemble Machine Learning Cookbook will start by getting you acquainted with the basics of ensemble techniques and exploratory data analysis. You'll then learn to implement tasks related to statistical and machine learning algorithms to understand the ensemble of multiple heterogeneous algorithms. It will also ensure that you don't miss out on key topics, such as like resampling methods. As you progress, you'll get a better understanding of bagging, boosting, stacking, and working with the Random Forest algorithm using real-world examples. The book will highlight how these ensemble methods use multiple models to improve machine learning results, as compared to a single model. In the concluding chapters, you'll delve into advanced ensemble models using neural networks, natural language processing, and more. You'll also be able to implement models such as fraud detection, text categorization, and sentiment analysis. By the end of this book, you'll be able to harness ensemble techniques and the working mechanisms of machine learning algorithms to build intelligent models using individual recipes. What you will learn Understand how to use machine learning algorithms for regression and classification problems Implement ensemble techniques such as averaging, weighted averaging, and max-voting Get to grips with advanced ensemble methods, such as bootstrapping, bagging, and stacking Use Random Forest for tasks such as classification and regression Implement an ensemble of homogeneous and heterogeneous machine learning algorithms Learn and implement various boosting techniques, such as AdaBoost, Gradient Boosting Machine, and XGBoost Who this book is for This book is designed for data scientists, machine learning developers, and deep learning enthusiasts who want to delve into machine learning algorithms to build powerful ensemble models. Working knowledge of Python programming and basic statistics is a must to help you grasp the concepts in the book.
فهرست مطالب
Cover Title Page Copyright and Credits About Packt Foreword Contributors Preface Table of Contents Chapter 1: Get Closer to Your Data Introduction Data manipulation with Python Getting ready How to do it... How it works... There's more... See also Analyzing, visualizing, and treating missing values How to do it... How it works... There's more... See also Exploratory data analysis How to do it... How it works... There's more... See also Chapter 2: Getting Started with Ensemble Machine Learning Introduction to ensemble machine learning Max-voting Getting ready How to do it... How it works... There's more... Averaging Getting ready How to do it... How it works... Weighted averaging Getting ready How to do it... How it works... See also Chapter 3: Resampling Methods Introduction to sampling Getting ready How to do it... How it works... There's more... See also k-fold and leave-one-out cross-validation Getting ready How to do it... How it works... There's more... See also Bootstrapping Getting ready How to do it... How it works... See also Chapter 4: Statistical and Machine Learning Algorithms Technical requirements Multiple linear regression Getting ready How to do it... How it works... There's more... See also Logistic regression Getting ready How to do it... How it works... See also Naive Bayes Getting ready How to do it... How it works... There's more... See also Decision trees Getting ready How to do it... How it works... There's more... See also Support vector machines Getting ready How to do it... How it works... There's more... See also Chapter 5: Bag the Models with Bagging Introduction Bootstrap aggregation Getting ready How to do it... How it works... See also Ensemble meta-estimators Bagging classifiers How to do it... How it works... There's more... See also Bagging regressors Getting ready How to do it... How it works... See also Chapter 6: When in Doubt, Use Random Forests Introduction to random forests Implementing a random forest for predicting credit card defaults using scikit-learn Getting ready How to do it... How it works... There's more... See also Implementing random forest for predicting credit card defaults using H2O Getting ready How to do it... How it works... There's more... See also Chapter 7: Boosting Model Performance with Boosting Introduction to boosting Implementing AdaBoost for disease risk prediction using scikit-learn Getting ready How to do it... How it works... There's more... See also Implementing a gradient boosting machine for disease risk prediction using scikit-learn Getting ready How to do it... How it works... There's more... Implementing the extreme gradient boosting method for glass identification using XGBoost with scikit-learn Getting ready... How to do it... How it works... There's more... See also Chapter 8: Blend It with Stacking Technical requirements Understanding stacked generalization Implementing stacked generalization by combining predictions Getting ready... How to do it... How it works... There's more... See also Implementing stacked generalization for campaign outcome prediction using H2O Getting ready... How to do it... How it works... There's more... See also Chapter 9: Homogeneous Ensembles Using Keras Introduction An ensemble of homogeneous models for energy prediction Getting ready How to do it... How it works... There's more... See also An ensemble of homogeneous models for handwritten digit classification Getting ready How to do it... How it works... Chapter 10: Heterogeneous Ensemble Classifiers Using H2O Introduction Predicting credit card defaulters using heterogeneous ensemble classifiers Getting ready How to do it... How it works... There's more... See also Chapter 11: Heterogeneous Ensemble for Text Classification Using NLP Introduction Spam filtering using an ensemble of heterogeneous algorithms Getting ready How to do it... How it works... Sentiment analysis of movie reviews using an ensemble model Getting ready How to do it... How it works... There's more... Chapter 12: Homogenous Ensemble for Multiclass Classification Using Keras Introduction An ensemble of homogeneous models to classify fashion products Getting ready How to do it... How it works... See also Other Books You May Enjoy Index
