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: Ozdemir. Sinan, Susarla. Divya سری: ISBN (شابک) : 9781787286474, 1787287602 ناشر: Packt Publishing 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
کلمات کلیدی مربوط به کتاب مهندسی ویژگی آسان شد: ویژگیهای منحصر به فرد را از مجموعه داده خود شناسایی کنید تا سیستمهای یادگیری ماشینی قدرتمند بسازید: داده های بزرگ، پردازش داده های الکترونیکی، یادگیری ماشینی
در صورت تبدیل فایل کتاب Feature engineering made easy: identify unique features from your dataset in order to build powerful machine learning systems 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: ویژگیهای منحصر به فرد را از مجموعه داده خود شناسایی کنید تا سیستمهای یادگیری ماشینی قدرتمند بسازید 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.
راهنمای عالی برای سرعت بخشیدن به قدرت پیش بینی الگوریتم های یادگیری ماشین
درباره این کتاب
Who This Book آیا برای
اگر شما یک متخصص علوم داده یا یک مهندس یادگیری ماشین هستید که به دنبال تقویت مدل تجزیه و تحلیل پیشگویانه خود هستید، این کتاب راهنمای کاملی برای شماست. برخی از درک اولیه مفاهیم یادگیری ماشین و اسکریپت نویسی پایتون برای شروع با این کتاب کافی است.
آنچه خواهید آموخت
A perfect guide to speed up the predicting power of machine learning algorithms
About This Book
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.
What You Will Learn
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.