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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: John D. Kelleher, Brian Mac Namee, Aoife D'Arcy سری: ISBN (شابک) : 0262029448, 9780262029445 ناشر: The MIT Press سال نشر: 2015 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب مبانی یادگیری ماشین برای تجزیه و تحلیل داده های پیش بینی شده: الگوریتم ها، مثال های کار شده، و مطالعات موردی: انفورماتیک و مهندسی کامپیوتر، هوش مصنوعی
در صورت تبدیل فایل کتاب Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies 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 مبانی یادگیری ماشین برای تجزیه و تحلیل داده های پیش بینی شده: الگوریتم ها، مثال های کار شده، و مطالعات موردی 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.
یادگیری ماشینی اغلب برای ساخت مدل های پیش بینی با استخراج الگوها از مجموعه داده های بزرگ استفاده می شود. این مدل ها در برنامه های کاربردی تجزیه و تحلیل داده های پیش بینی شده از جمله پیش بینی قیمت، ارزیابی ریسک، پیش بینی رفتار مشتری و طبقه بندی اسناد استفاده می شوند. این کتاب درسی مقدماتی، درمان دقیق و متمرکزی از مهمترین رویکردهای یادگیری ماشینی مورد استفاده در تجزیه و تحلیل دادههای پیشبینیکننده ارائه میدهد، که هم مفاهیم نظری و هم کاربردهای عملی را پوشش میدهد. مطالب فنی و ریاضی با مثالهای کار توضیحی افزوده میشود و مطالعات موردی کاربرد این مدلها را در زمینه تجاری گستردهتر نشان میدهد.
پس از بحث در مورد مسیر از دادهها تا بینش تا تصمیمگیری، این کتاب چهار رویکرد را توضیح میدهد. یادگیری ماشینی: یادگیری مبتنی بر اطلاعات، یادگیری مبتنی بر شباهت، یادگیری مبتنی بر احتمال و یادگیری مبتنی بر خطا. هر یک از این رویکردها با توضیح غیر فنی مفهوم زیربنایی، به دنبال مدلها و الگوریتمهای ریاضی که با مثالهای دقیق کار شده نشان داده شدهاند، معرفی میشوند. در نهایت، این کتاب تکنیکهایی را برای ارزیابی مدلهای پیشبینی در نظر میگیرد و دو مطالعه موردی را ارائه میکند که پروژههای تجزیه و تحلیل دادههای خاص را در هر مرحله از توسعه، از فرمولبندی مشکل کسبوکار تا اجرای راهحل تحلیل، توصیف میکند. این کتاب که توسط نویسندگان چندین سال آموزش یادگیری ماشینی، و کار بر روی پروژههای تجزیه و تحلیل دادههای پیشبینیکننده اطلاعات داده شده است، برای استفاده توسط دانشجویان کارشناسی علوم کامپیوتر، مهندسی، ریاضیات یا آمار مناسب است. توسط دانشجویان فارغ التحصیل در رشته هایی با برنامه های کاربردی برای تجزیه و تحلیل داده های پیش بینی. و به عنوان مرجعی برای متخصصان.
Machine learning is often used to build predictive models by extracting patterns from large datasets. These models are used in predictive data analytics applications including price prediction, risk assessment, predicting customer behavior, and document classification. This introductory textbook offers a detailed and focused treatment of the most important machine learning approaches used in predictive data analytics, covering both theoretical concepts and practical applications. Technical and mathematical material is augmented with explanatory worked examples, and case studies illustrate the application of these models in the broader business context.
After discussing the trajectory from data to insight to decision, the book describes four approaches to machine learning: information-based learning, similarity-based learning, probability-based learning, and error-based learning. Each of these approaches is introduced by a nontechnical explanation of the underlying concept, followed by mathematical models and algorithms illustrated by detailed worked examples. Finally, the book considers techniques for evaluating prediction models and offers two case studies that describe specific data analytics projects through each phase of development, from formulating the business problem to implementation of the analytics solution. The book, informed by the authors' many years of teaching machine learning, and working on predictive data analytics projects, is suitable for use by undergraduates in computer science, engineering, mathematics, or statistics; by graduate students in disciplines with applications for predictive data analytics; and as a reference for professionals.