مشخصات کتاب

Hands-on Machine Learning with JavaScript: Solve complex computational web problems using machine learning (English Edition)

ویرایش:  
نویسندگان: Burak Kanber  
سری:  
ISBN (شابک) : 1788998243, 9781788998246 
ناشر: Packt Publishing 
سال نشر: 2018 
تعداد صفحات: 356
[343] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 Mb 

در صورت تبدیل فایل کتاب Hands-on Machine Learning with JavaScript: Solve complex computational web problems using machine learning (English Edition) 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 یادگیری ماشینی عملی با جاوا اسکریپت: حل مسائل پیچیده وب محاسباتی با استفاده از یادگیری ماشین (نسخه انگلیسی) 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 یادگیری ماشینی عملی با جاوا اسکریپت: حل مسائل پیچیده وب محاسباتی با استفاده از یادگیری ماشین (نسخه انگلیسی)

راهنمای قطعی برای ایجاد یک برنامه وب هوشمند با بهترین ویژگی‌های یادگیری ماشین و جاوا اسکریپت حل مشکلات محاسباتی پیچیده در مرورگر با جاوا اسکریپت به مرورگر خود بیاموزید چگونه از قوانین با استفاده از قدرت یادگیری ماشینی یاد بگیرید. درک اکتشافات در رابط وب و API در ماشین یادگیری شرح کتاب در بیش از 20 سال از عمر خود، جاوا اسکریپت با وجود اثبات شده در سرورها، دستگاه‌های تعبیه‌شده، تلویزیون‌های هوشمند، اینترنت اشیا، خودروهای هوشمند و غیره از مرزهای تکامل وب فراتر رفته است. امروزه، با مزیت اضافی تحقیقات یادگیری ماشین و پشتیبانی از کتابخانه‌های JS، جاوا اسکریپت مرورگرهای شما را با توانایی یادگیری الگوها و بازتولید آنها برای تبدیل شدن به بخشی از محصولات و برنامه‌های نوآورانه هوشمندتر از همیشه می‌کند. یادگیری ماشینی عملی با جاوا اسکریپت راه های مختلف یادگیری ماشین را به روشی عملی و عینی ارائه می دهد و به پیاده سازی آنها با استفاده از زبان جاوا اسکریپت کمک می کند. پیش بینی رفتارها، تجزیه و تحلیل احساسات، گروه بندی داده ها و ساختن مدل های عصبی از جمله مهارت هایی است که از این کتاب خواهید ساخت. شما یاد خواهید گرفت که چگونه مدل های یادگیری ماشین خود را آموزش دهید و با انواع مختلف داده ها کار کنید. در طول این سفر، با موارد استفاده ای مانند تشخیص چهره، فیلتر هرزنامه، سیستم های توصیه، تشخیص کاراکتر و غیره مواجه خواهید شد. علاوه بر این، یاد خواهید گرفت که چگونه با شبکه های عصبی عمیق کار کنید و برنامه های خود را برای به دست آوردن بینش از داده ها راهنمایی کنید. در پایان این کتاب، دانش عملی در مورد ارزیابی و پیاده سازی مدل مناسب، همراه با انتخاب از کتابخانه های مختلف JS، مانند NaturalNode، مغز، هارتور، طبقه بندی کننده و بسیاری دیگر برای طراحی برنامه های کاربردی هوشمندتر به دست خواهید آورد. . آنچه خواهید آموخت دریافت نمای کلی از پیشرفته‌ترین یادگیری ماشینی درک پیش‌پردازش داده‌ها، تمیز کردن و آماده‌سازی یادگیری کاوی و استخراج الگو با جاوا اسکریپت مدل خود را برای طبقه‌بندی، خوشه‌بندی و پیش‌بینی بسازید. مناسب ترین مدل برای هر نوع مشکل استفاده از تکنیک های یادگیری ماشین برای برنامه های کاربردی دنیای واقعی یاد بگیرید که چگونه جاوا اسکریپت می تواند زبان قدرتمندی برای یادگیری ماشین باشد این کتاب برای چه کسانی است این کتاب برای شما مناسب است اگر توسعه دهنده جاوا اسکریپت هستید و می خواهید یادگیری ماشینی را پیاده سازی کنید. برای هوشمندتر کردن برنامه‌ها، به دست آوردن اطلاعات دقیق از داده‌ها و ورود به حوزه یادگیری ماشینی بدون تغییر زبان دیگر. انتظار می رود دانش کاری زبان جاوا اسکریپت بیشترین بهره را از کتاب ببرید.

توضیحاتی درمورد کتاب به خارجی

A definitive guide to creating an intelligent web application with the best of machine learning and JavaScript Key Features Solve complex computational problems in browser with JavaScript Teach your browser how to learn from rules using the power of machine learning Understand discoveries on web interface and API in machine learning Book Description In over 20 years of existence, JavaScript has been pushing beyond the boundaries of web evolution with proven existence on servers, embedded devices, Smart TVs, IoT, Smart Cars, and more. Today, with the added advantage of machine learning research and support for JS libraries, JavaScript makes your browsers smarter than ever with the ability to learn patterns and reproduce them to become a part of innovative products and applications. Hands-on Machine Learning with JavaScript presents various avenues of machine learning in a practical and objective way, and helps implement them using the JavaScript language. Predicting behaviors, analyzing feelings, grouping data, and building neural models are some of the skills you will build from this book. You will learn how to train your machine learning models and work with different kinds of data. During this journey, you will come across use cases such as face detection, spam filtering, recommendation systems, character recognition, and more. Moreover, you will learn how to work with deep neural networks and guide your applications to gain insights from data. By the end of this book, you\'ll have gained hands-on knowledge on evaluating and implementing the right model, along with choosing from different JS libraries, such as NaturalNode, brain, harthur, classifier, and many more to design smarter applications. What you will learn Get an overview of state-of-the-art machine learning Understand the pre-processing of data handling, cleaning, and preparation Learn Mining and Pattern Extraction with JavaScript Build your own model for classification, clustering, and prediction Identify the most appropriate model for each type of problem Apply machine learning techniques to real-world applications Learn how JavaScript can be a powerful language for machine learning Who this book is for This book is for you if you are a JavaScript developer who wants to implement machine learning to make applications smarter, gain insightful information from the data, and enter the field of machine learning without switching to another language. Working knowledge of JavaScript language is expected to get the most out of the book.

فهرست مطالب

Cover
Copyright and Credits
Packt Upsell
Contributors
Table of Contents
Preface
Chapter 1: Exploring the Potential of JavaScript
	Why JavaScript?
	Why machine learning, why now?
	Advantages and challenges of JavaScript
	The CommonJS initiative
	Node.js
	TypeScript language
	Improvements in ES6
		Let and const
		Classes
		Module imports
		Arrow functions
		Object literals
		The for...of function
		Promises
		The async/await functions
	Preparing the development environment
		Installing Node.js
		Optionally installing Yarn
		Creating and initializing an example project
		Creating a Hello World project
	Summary
Chapter 2: Data Exploration
	An overview
	Feature identification
		The curse of dimensionality
		Feature selection and feature extraction
		Pearson correlation example
	Cleaning and preparing data
		Handling missing data
			Missing categorical data
			Missing numerical data
		Handling noise
		Handling outliers
		Transforming and normalizing data
	Summary
Chapter 3: Tour of Machine Learning Algorithms
	Introduction to machine learning
	Types of learning
		Unsupervised learning
		Supervised learning
			Measuring accuracy
			Supervised learning algorithms
		Reinforcement learning
	Categories of algorithms
		Clustering
		Classification
		Regression
		Dimensionality reduction
		Optimization
		Natural language processing
		Image processing
	Summary
Chapter 4: Grouping with Clustering Algorithms
	Average and distance
	Writing the k-means algorithm
		Setting up the environment
		Initializing the algorithm
		Testing random centroid generation
		Assigning points to centroids
		Updating centroid locations
		The main loop
	Example 1 – k-means on simple 2D data
	Example 2 – 3D data
	k-means where k is unknown
	Summary
Chapter 5: Classification Algorithms
	k-Nearest Neighbor
		Building the KNN algorithm
			Example 1 – Height, weight, and gender
			Example 2 – Decolorizing a photo
	Naive Bayes classifier
		Tokenization
		Building the algorithm
		Example 3 – Movie review sentiment
	Support Vector Machine
	Random forest
	Summary
Chapter 6: Association Rule Algorithms
	The mathematical perspective
	The algorithmic perspective
	Association rule applications
	Example – retail data
	Summary
Chapter 7: Forecasting with Regression Algorithms
	Regression versus classification
	Regression basics
	Example 1 – linear regression
	Example 2 – exponential regression
	Example 3 – polynomial regression
	Other time-series analysis techniques
		Filtering
		Seasonality analysis
		Fourier analysis
	Summary
Chapter 8: Artificial Neural Network Algorithms
	Conceptual overview of neural networks
	Backpropagation training
	Example - XOR in TensorFlow.js
	Summary
Chapter 9: Deep Neural Networks
	Convolutional Neural Networks
		Convolutions and convolution layers
		Example – MNIST handwritten digits
	Recurrent neural networks
		SimpleRNN
		Gated recurrent units
		Long Short-Term Memory
	Summary
Chapter 10: Natural Language Processing in Practice
	String distance
	Term frequency - inverse document frequency
	Tokenizing
	Stemming
	Phonetics
	Part of speech tagging
	Word embedding and neural networks
	Summary
Chapter 11: Using Machine Learning in Real-Time Applications
	Serializing models
		Training models on the server
		Web workers
		Continually improving and per-user models
	Data pipelines
		Data querying
		Data joining and aggregation
		Transformation and normalization
		Storing and delivering data
	Summary
Chapter 12: Choosing the Best Algorithm for Your Application
	Mode of learning
	The task at hand
	Format, form, input, and output
	Available resources
	When it goes wrong
	Combining models
	Summary
Other Books You May Enjoy
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Ecological Interactions And Biological Control

دانلود کتاب Pídeme lo que quieras o déjame. 3

دانلود کتاب MCAD/MCSD Self-Paced Training Kit: Developing Windows-Based Applications With Microsoft Visual Basic.Net and Microsoft Visual C#.Net: Exams 70-306 and 70-316

دانلود کتاب Çağdaş Söylenler

دانلود کتاب Nanotechnology and tyres greening industry and transport