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 Feature Engineering Made Easy

دانلود کتاب مهندسی ویژگی آسان شد

Feature Engineering Made Easy

مشخصات کتاب

Feature Engineering Made Easy

دسته بندی: برنامه نويسي
ویرایش:  
نویسندگان:   
سری: 1 
ISBN (شابک) : 9781787287600 
ناشر:  
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Feature Engineering Made Easy 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 آسان شد 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 مهندسی ویژگی آسان شد

راهنمای عالی برای سرعت بخشیدن به قدرت پیش‌بینی الگوریتم‌های یادگیری ماشین ویژگی‌های کلیدی طراحی، کشف، و ایجاد ویژگی‌های پویا و کارآمد برای برنامه یادگیری ماشینی شما با کمک این ویژگی قدرتمند Guide Grasp اطلاعات خود را عمیقاً درک کنید و بینش‌های شگفت‌انگیزی از داده‌ها بدست آورید. -تکنیک های مهندسی و ساخت سیستم های یادگیری ماشین شرح کتاب مهندسی ویژگی مهم ترین گام در ایجاد سیستم های یادگیری ماشینی قدرتمند است. این کتاب شما را در کل سفر مهندسی ویژگی ها می برد تا یادگیری ماشین شما را بسیار سیستماتیک تر و موثرتر کند. شما با درک داده‌های خود شروع می‌کنید - اغلب موفقیت مدل‌های ML شما بستگی به نحوه استفاده از انواع ویژگی‌های مختلف مانند پیوسته، طبقه‌بندی و موارد دیگر دارد، شما یاد خواهید گرفت که چه زمانی یک ویژگی را اضافه کنید، چه زمانی آن را حذف کنید، و چرا آن را حذف کنید. ، همه با درک تجزیه و تحلیل خطا و قابل قبول بودن مدل های شما. شما یاد خواهید گرفت که یک بیانیه مشکل را به ویژگی های مفید جدید تبدیل کنید. شما یاد خواهید گرفت که ویژگی هایی را ارائه دهید که بر اساس نیازهای تجاری و همچنین بینش های ریاضی است. همچنین یاد خواهید گرفت که چگونه از یادگیری ماشین در ماشین های خود استفاده کنید و به طور خودکار ویژگی های شگفت انگیز داده های خود را یاد بگیرید. در پایان کتاب، در انتخاب ویژگی، یادگیری ویژگی و بهینه سازی ویژگی ها مهارت خواهید داشت. آنچه یاد خواهید گرفت شناسایی و استفاده از انواع ویژگی های مختلف ویژگی های پاک در داده ها برای بهبود قدرت پیش بینی درک چرایی و نحوه انجام انتخاب ویژگی و تحلیل خطا مدل استفاده از دانش دامنه برای ساخت ویژگی های جدید ارائه ویژگی های مبتنی بر بینش های ریاضی استفاده از الگوریتم های یادگیری ماشینی ویژگی‌های ساخت مهندسی و بهینه‌سازی ویژگی‌های اصلی مهار مهندسی ویژگی برای کاربردهای دنیای واقعی از طریق مطالعه موردی ساختاریافته این کتاب برای چه کسی است اگر شما یک متخصص علوم داده یا مهندس یادگیری ماشین هستید که به دنبال تقویت مدل تحلیل پیش‌بینی‌کننده خود هستید، پس این کتاب یک کتاب عالی است. راهنمایی برای شما برخی از درک اولیه مفاهیم یادگیری ماشین و اسکریپت نویسی پایتون برای شروع با این کتاب کافی است.


توضیحاتی درمورد کتاب به خارجی

A perfect guide to speed up the predicting power of machine learning algorithms Key Features Design, discover, and create dynamic, efficient features for your machine learning application Understand your data in-depth and derive astonishing data insights with the help of this Guide Grasp powerful feature-engineering techniques and build machine learning systems Book Description Feature engineering is the most important step in creating powerful machine learning systems. This book will take you through the entire feature-engineering journey to make your machine learning much more systematic and effective. You will start with understanding your data--often the success of your ML models depends on how you leverage different feature types, such as continuous, categorical, and more, You will learn when to include a feature, when to omit it, and why, all by understanding error analysis and the acceptability of your models. You will learn to convert a problem statement into useful new features. You will learn to deliver features driven by business needs as well as mathematical insights. You'll also learn how to use machine learning on your machines, automatically learning amazing features for your data. By the end of the book, you will become proficient in Feature Selection, Feature Learning, and Feature Optimization. What you will learn Identify and leverage different feature types Clean features in data to improve predictive power Understand why and how to perform feature selection, and model error analysis Leverage domain knowledge to construct new features Deliver features based on mathematical insights Use machine-learning algorithms to construct features Master feature engineering and optimization Harness feature engineering for real world applications through a structured case study Who this book is for If you are a data science professional or a machine learning engineer looking to strengthen your predictive analytics model, then this book is a perfect guide for you. Some basic understanding of the machine learning concepts and Python scripting would be enough to get started with this book.



فهرست مطالب

Cover
 Title Page
 Copyright and Credits
 Dedication
 Packt Upsell
 Contributors
 Table of Contents
 Preface
 Chapter 1: Getting Started with Recommender Systems
 Technical requirements
 What is a recommender system?
 The prediction problem
 The ranking problem
 Types of recommender systems
 Collaborative filtering
 User-based filtering
 Item-based filtering
 Shortcomings
 Content-based systems
 Knowledge-based recommenders
 Hybrid recommenders
 Summary
 Chapter 2: Manipulating Data with the Pandas Library
 Technical requirements
 Setting up the environment
 The Pandas library. The Pandas DataFrameThe Pandas Series
 Summary
 Chapter 3: Building an IMDB Top 250 Clone with Pandas
 Technical requirements
 The simple recommender
 The metric
 The prerequisties
 Calculating the score
 Sorting and output
 The knowledge-based recommender
 Genres
 The build_chart function
 Summary
 Chapter 4: Building Content-Based Recommenders
 Technical requirements
 Exporting the clean DataFrame
 Document vectors
 CountVectorizer
 TF-IDFVectorizer
 The cosine similarity score
 Plot description-based recommender
 Preparing the data
 Creating the TF-IDF matrix. Computing the cosine similarity scoreBuilding the recommender function
 Metadata-based recommender
 Preparing the data
 The keywords and credits datasets
 Wrangling keywords, cast, and crew
 Creating the metadata soup
 Generating the recommendations
 Suggestions for improvements
 Summary
 Chapter 5: Getting Started with Data Mining Techniques
 Problem statement
 Similarity measures
 Euclidean distance
 Pearson correlation
 Cosine similarity 
 Clustering
 k-means clustering
 Choosing k
 Other clustering algorithms
 Dimensionality reduction
 Principal component analysis. Other dimensionality reduction techniquesLinear-discriminant analysis
 Singular value decomposition
 Supervised learning
 k-nearest neighbors
 Classification
 Regression
 Support vector machines
 Decision trees
 Ensembling
 Bagging and random forests
 Boosting
 Evaluation metrics
 Accuracy
 Root mean square error
 Binary classification metrics
 Precision
 Recall
 F1 score
 Summary
 Chapter 6: Building Collaborative Filters
 Technical requirements
 The framework
 The MovieLens dataset
 Downloading the dataset
 Exploring the data
 Training and test data
 Evaluation. User-based collaborative filteringMean
 Weighted mean
 User demographics
 Item-based collaborative filtering
 Model-based approaches
 Clustering
 Supervised learning and dimensionality reduction
 Singular-value decomposition
 Summary
 Chapter 7: Hybrid Recommenders
 Technical requirements
 Introduction
 Case study --
Building a hybrid model
 Summary
 Other Books You May Enjoy
 Index.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی