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: [First edition] نویسندگان: Dong. Guozhu, Liu. Huan سری: Chapman & Hall/CRC data mining and knowledge discovery series ISBN (شابک) : 9781315181080, 1351721267 ناشر: Taylor and Francis سال نشر: 2018 تعداد صفحات: [419] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 22 Mb
در صورت تبدیل فایل کتاب Feature Engineering for Machine Learning and Data Analytics 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 مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل داده ها 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.
"مهندسی ویژگیها نقشی حیاتی در تجزیه و تحلیل دادههای بزرگ
بازی میکند. الگوریتمهای یادگیری ماشین و دادهکاوی بدون داده
نمیتوانند کار کنند. اگر ویژگیهای کمی برای نشان دادن اشیاء
دادههای زیربنایی وجود داشته باشد، چیز کمی میتوان به دست آورد،
و کیفیت نتایج آن الگوریتمها تا حد زیادی به آن بستگی دارد. در
مورد کیفیت ویژگی های موجود، مهندسی ویژگی برای یادگیری ماشین و
تجزیه و تحلیل داده ها مقدمه ای جامع برای مهندسی ویژگی، از جمله
تولید ویژگی، استخراج ویژگی، تبدیل ویژگی، انتخاب ویژگی و تجزیه و
تحلیل و ارزیابی ویژگی این کتاب مفاهیم کلیدی، روشها، مثالها و
کاربردها و همچنین فصلهایی در مهندسی ویژگی برای انواع دادههای
اصلی مانند متون، تصاویر، دنبالهها، سریهای زمانی، نمودارها،
دادههای جریانی، نرمافزار ارائه میکند. دادههای مهندسی،
دادههای توییتر و دادههای رسانههای اجتماعی. همچنین شامل
رویکردهای تولید ویژگیهای عمومی، و همچنین روشهایی برای تولید
ویژگیهای آزمایششده و آزمایششده، دستساز، و ویژگیهای خاص
دامنه است. فصل اول مفاهیم ویژگیها و مهندسی ویژگیها را تعریف
میکند، یک نمای کلی از کتاب ارائه میدهد و اشارههایی به
موضوعاتی ارائه میکند که در این کتاب پوشش داده نشدهاند. شش فصل
بعدی به مهندسی ویژگی ها، از جمله تولید ویژگی برای انواع داده
های خاص اختصاص دارد. چهار فصل بعدی، رویکردهای عمومی برای مهندسی
ویژگی، یعنی انتخاب ویژگی، مهندسی ویژگی مبتنی بر تبدیل ویژگی،
مهندسی ویژگی مبتنی بر یادگیری عمیق، و تولید و مهندسی ویژگی
مبتنی بر الگو را پوشش میدهد. سه فصل آخر به ترتیب مهندسی ویژگی
برای شناسایی ربات های اجتماعی، مدیریت نرم افزار و برنامه های
کاربردی مبتنی بر توییتر را مورد بحث قرار می دهد. این کتاب می
تواند به عنوان مرجعی برای تحلیلگران داده، دانشمندان کلان داده،
کارگران پیش پردازش داده، مدیران پروژه، توسعه دهندگان پروژه، مدل
سازان پیش بینی، اساتید، محققان، دانشجویان تحصیلات تکمیلی و
دانشجویان مقطع کارشناسی ارشد استفاده شود. همچنین میتواند
بهعنوان متن اصلی دورههای مهندسی ویژگی، یا بهعنوان مکمل
دورههای یادگیری ماشین، دادهکاوی، و تجزیه و تحلیل دادههای
بزرگ استفاده شود.\"--ارائه شده توسط ناشر. ادامه
مطلب...
چکیده: \"مهندسی ویژگی ها نقشی حیاتی در تجزیه و تحلیل داده های
بزرگ ایفا می کند. الگوریتم های یادگیری ماشین و داده کاوی بدون
داده کار نمی کنند. اگر ویژگی های کمی برای نشان دادن اشیاء داده
های زیربنایی وجود داشته باشد، می توان چیز کمی به دست آورد، و
کیفیت نتایج آن الگوریتم ها تا حد زیادی به کیفیت ویژگی های موجود
بستگی دارد. مهندسی ویژگی برای یادگیری ماشین و تجزیه و تحلیل
داده ها مقدمه ای جامع برای مهندسی ویژگی ها، از جمله تولید
ویژگی، استخراج ویژگی، تبدیل ویژگی، انتخاب ویژگی، و تجزیه و
تحلیل و ارزیابی ویژگی ارائه می دهد. این کتاب مفاهیم کلیدی،
روشها، مثالها و کاربردها و همچنین فصلهایی را در زمینه مهندسی
ویژگی برای انواع دادههای اصلی مانند متون، تصاویر، توالیها،
سریهای زمانی، نمودارها، دادههای جریانی، دادههای مهندسی
نرمافزار، دادههای توییتر و رسانههای اجتماعی ارائه میکند.
داده ها. همچنین شامل رویکردهای تولید ویژگی های عمومی و همچنین
روش هایی برای تولید ویژگی های آزمایش شده و آزمایش شده، دست ساز
و خاص دامنه است. فصل اول مفاهیم ویژگیها و مهندسی ویژگیها را
تعریف میکند، یک نمای کلی از کتاب ارائه میدهد و اشارههایی به
موضوعاتی ارائه میکند که در این کتاب پوشش داده نشدهاند. شش فصل
بعدی به مهندسی ویژگی ها، از جمله تولید ویژگی برای انواع داده
های خاص اختصاص دارد. چهار فصل بعدی، رویکردهای عمومی برای مهندسی
ویژگی، یعنی انتخاب ویژگی، مهندسی ویژگی مبتنی بر تبدیل ویژگی،
مهندسی ویژگی مبتنی بر یادگیری عمیق، و تولید و مهندسی ویژگی
مبتنی بر الگو را پوشش میدهد. سه فصل آخر به ترتیب مهندسی ویژگی
برای شناسایی ربات های اجتماعی، مدیریت نرم افزار و برنامه های
کاربردی مبتنی بر توییتر را مورد بحث قرار می دهد. این کتاب می
تواند به عنوان مرجعی برای تحلیلگران داده، دانشمندان کلان داده،
کارگران پیش پردازش داده، مدیران پروژه، توسعه دهندگان پروژه، مدل
سازان پیش بینی، اساتید، محققان، دانشجویان تحصیلات تکمیلی و
دانشجویان مقطع کارشناسی ارشد استفاده شود. همچنین میتواند
بهعنوان متن اصلی دورههای مهندسی ویژگی، یا بهعنوان مکمل
دورههای یادگیری ماشین، دادهکاوی، و تجزیه و تحلیل دادههای
بزرگ استفاده شود.\"--ارائه شده توسط ناشر
"Feature engineering plays a vital role in big data analytics.
Machine learning and data mining algorithms cannot work without
data. Little can be achieved if there are few features to
represent the underlying data objects, and the quality of
results of those algorithms largely depends on the quality of
the available features. Feature Engineering for Machine
Learning and Data Analytics provides a comprehensive
introduction to
feature engineering, including feature generation, feature
extraction, feature transformation, feature selection, and
feature analysis and evaluation. The book presents key
concepts, methods, examples, and applications, as well as
chapters on feature engineering for major data types such as
texts, images, sequences, time series, graphs, streaming data,
software engineering data, Twitter data, and social media data.
It also contains generic feature generation approaches, as well
as methods for generating tried-and-tested, hand-crafted,
domain-specific features. The first chapter defines the
concepts of features and feature engineering, offers an
overview of the book, and provides pointers to topics not
covered in this book. The next six chapters are devoted to
feature engineering, including feature generation for specific
data types. The subsequent four chapters cover generic
approaches for feature engineering, namely feature selection,
feature transformation based feature engineering, deep learning
based feature engineering, and pattern based feature generation
and engineering. The last three chapters discuss feature
engineering for social bot detection, software management, and
Twitter-based applications respectively. This book can be used
as a reference for data analysts, big data scientists, data
preprocessing workers, project managers, project developers,
prediction modelers, professors, researchers, graduate
students, and upper level undergraduate students. It can also
be used as the primary text for courses on feature engineering,
or as a supplement for courses on machine learning, data
mining, and big data analytics."--Provided by publisher.
Read
more...
Abstract: "Feature engineering plays a vital role in big data
analytics. Machine learning and data mining algorithms cannot
work without data. Little can be achieved if there are few
features to represent the underlying data objects, and the
quality of results of those algorithms largely depends on the
quality of the available features. Feature Engineering for
Machine Learning and Data Analytics provides a comprehensive
introduction to feature engineering, including feature
generation, feature extraction, feature transformation, feature
selection, and feature analysis and evaluation. The book
presents key concepts, methods, examples, and applications, as
well as chapters on feature engineering for major data types
such as texts, images, sequences, time series, graphs,
streaming data, software engineering data, Twitter data, and
social media data. It also contains generic feature generation
approaches, as well as methods for generating tried-and-tested,
hand-crafted, domain-specific features. The first chapter
defines the concepts of features and feature engineering,
offers an overview of the book, and provides pointers to topics
not covered in this book. The next six chapters are devoted to
feature engineering, including feature generation for specific
data types. The subsequent four chapters cover generic
approaches for feature engineering, namely feature selection,
feature transformation based feature engineering, deep learning
based feature engineering, and pattern based feature generation
and engineering. The last three chapters discuss feature
engineering for social bot detection, software management, and
Twitter-based applications respectively. This book can be used
as a reference for data analysts, big data scientists, data
preprocessing workers, project managers, project developers,
prediction modelers, professors, researchers, graduate
students, and upper level undergraduate students. It can also
be used as the primary text for courses on feature engineering,
or as a supplement for courses on machine learning, data
mining, and big data analytics."--Provided by publisher