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: identify unique features from your dataset in order to build powerful machine learning systems

دانلود کتاب مهندسی ویژگی آسان شد: ویژگی‌های منحصر به فرد را از مجموعه داده خود شناسایی کنید تا سیستم‌های یادگیری ماشینی قدرتمند بسازید

Feature engineering made easy: identify unique features from your dataset in order to build powerful machine learning systems

مشخصات کتاب

Feature engineering made easy: identify unique features from your dataset in order to build powerful machine learning systems

ویرایش:  
نویسندگان: ,   
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 

قیمت کتاب (تومان) : 29,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


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.


توضیحاتی در مورد کتاب مهندسی ویژگی آسان شد: ویژگی‌های منحصر به فرد را از مجموعه داده خود شناسایی کنید تا سیستم‌های یادگیری ماشینی قدرتمند بسازید



راهنمای عالی برای سرعت بخشیدن به قدرت پیش بینی الگوریتم های یادگیری ماشین

درباره این کتاب

  • طراحی، کشف و ایجاد پویا، ویژگی های کارآمد برای برنامه یادگیری ماشین شما
    • درک عمیق داده های خود و به دست آوردن بینش های شگفت انگیز داده با کمک این راهنما
    • تکنیک های قدرتمند مهندسی ویژگی ها را درک کنید و سیستم های یادگیری ماشینی بسازید

      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

    • انواع ویژگی های مختلف را شناسایی و از آنها استفاده کنید
    • ویژگی های پاک در داده ها برای بهبود قدرت پیش بینی
    • درک چرایی و نحوه انجام انتخاب ویژگی و تحلیل خطای مدل
    • از دانش دامنه برای ساختن جدید استفاده کنید...

  • توضیحاتی درمورد کتاب به خارجی

    A perfect guide to speed up the predicting power of machine learning algorithms

    About This Book

  • 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

      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

    • 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...


  • 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