F# for Machine Learning Essentials

دسته بندی: برنامه نويسي
ویرایش:  
نویسندگان: Mukherjee Sudipta.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 194 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 20 مگابایت 

قیمت کتاب (تومان) : 38,000

Packt Publishing, 2016. — 220 p. — ISBN: 978-1-78398-934-8. با یادگیری ماشینی با F# به روشی سرگرم‌کننده و کاربردی، راه‌اندازی کنید.</ strong> زبان برنامه نویسی کاربردی F# توسعه دهندگان را قادر می سازد تا کدهای ساده ای را برای حل مسائل پیچیده بنویسند. با F#، توسعه‌دهندگان برنامه‌های سازگار و قابل پیش‌بینی ایجاد می‌کنند که آزمایش و استفاده مجدد آسان‌تر، موازی‌سازی ساده‌تر و کمتر مستعد اشکال هستند. اگر می‌خواهید یاد بگیرید چگونه برای استفاده از F# برای ساختن سیستم‌های یادگیری ماشین، پس این کتابی است که می‌خواهید. پیاده سازی الگوریتم های یادگیری تحت نظارت و آزمایش شده با زمان. شما به تدریج به سمت حل مشکلات پیش بینی قیمت مسکن با استفاده از تحلیل رگرسیون خواهید رفت. سپس یاد خواهید گرفت که از Accord.NET برای پیاده سازی تکنیک های SVM و خوشه بندی استفاده کنید. همچنین یاد خواهید گرفت که از ابتدا یک سیستم توصیه کننده برای سایت تجارت الکترونیک خود بسازید. در نهایت، در حین انجام تجزیه و تحلیل احساسات بر روی داده‌های خود، به موضوعات پیشرفته‌ای مانند پیاده‌سازی الگوریتم‌های شبکه عصبی می‌پردازید. آنچه خواهید آموخت:
از F# برای یافتن الگوها از طریق داده‌های خام استفاده کنید؛
مجموعه‌ای از سیستم‌های طبقه‌بندی را با استفاده از Accord.NET، Weka و F# بسازید؛
اجرای کارهای یادگیری ماشینی در Cloud با MBrace؛
عملیات ریاضی را روی ماتریس ها و بردارها با استفاده از Math.NET انجام دهید؛
از یک سیستم توصیه کننده برای دامنه مشکل خود استفاده کنید؛
نقاط گردشگری را در سراسر جهان با استفاده از ورودی های کاربر با الگوریتم های درخت تصمیم شناسایی کنید. الگوریتم‌هایی را در F# طراحی کنید تا مشکلات محاسباتی پیچیده را حل کنید.
با استفاده از این راهنمای ساده برای دنبال کردن، یک دانشمند داده F# ماهر باشید.
حل دنیای واقعی ، مشکلات مربوط به داده ها با مدل های آماری قوی، ساخته شده برای طیف وسیعی از مجموعه داده ها. این کتاب برای چه کسی است:
اگر شما یک توسعه دهنده C# یا F# هستید و اکنون می خواهید حوزه یادگیری ماشین را کشف کنید، این کتاب برای شما مناسب است. آشنایی با مفاهیم نظری و یادداشت ریاضی و آمار مزیت محسوب می شود.

Packt Publishing, 2016. — 220 p. — ISBN: 978-1-78398-934-8. Get up and running with machine learning with F# in a fun and functional way. The F# functional programming language enables developers to write simple code to solve complex problems. With F#, developers create consistent and predictable programs that are easier to test and reuse, simpler to parallelize, and are less prone to bugs. If you want to learn how to use F# to build machine learning systems, then this is the book you want. Starting with an introduction to the several categories on machine learning, you will quickly learn to implement time-tested, supervised learning algorithms. You will gradually move on to solving problems on predicting housing pricing using Regression Analysis. You will then learn to use Accord.NET to implement SVM techniques and clustering. You will also learn to build a recommender system for your e-commerce site from scratch. Finally, you will dive into advanced topics such as implementing neural network algorithms while performing sentiment analysis on your data. What you will learn:
Use F# to find patterns through raw data;
Build a set of classification systems using Accord.NET, Weka, and F#;
Run machine learning jobs on the Cloud with MBrace;
Perform mathematical operations on matrices and vectors using Math.NET;
Use a recommender system for your own problem domain;
Identify tourist spots across the globe using inputs from the user with decision tree algorithms. Design algorithms in F# to tackle complex computing problems.
Be a proficient F# data scientist using this simple-to-follow guide.
Solve real-world, data-related problems with robust statistical models, built for a range of datasets. Who This Book Is For:
If you are a C# or an F# developer who now wants to explore the area of machine learning, then this book is for you. Familiarity with theoretical concepts and notation of mathematics and statistics would be an added advantage.