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 Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data

دانلود کتاب آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب

Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data

مشخصات کتاب

Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data

دسته بندی: کامپیوتر
ویرایش: Paperback 
نویسندگان:   
سری:  
ISBN (شابک) : 1492035645, 9781492035640 
ناشر: O’Reilly Media 
سال نشر: 2019 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 37,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data 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 آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب 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 آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب

بسیاری از کارشناسان صنعت، یادگیری بدون نظارت را مرز بعدی در هوش مصنوعی می دانند، چیزی که ممکن است کلید هوش مصنوعی عمومی را داشته باشد. از آنجایی که اکثر داده های جهان بدون برچسب هستند، یادگیری تحت نظارت مرسوم را نمی توان اعمال کرد. از سوی دیگر، یادگیری بدون نظارت را می توان برای مجموعه داده های بدون برچسب برای کشف الگوهای معنی دار مدفون در داده ها اعمال کرد، الگوهایی که کشف آنها برای انسان تقریبا غیرممکن است.

نویسنده آنکور پاتل به شما نشان می دهد که چگونه یادگیری بدون نظارت را با استفاده از دو چارچوب پایتون ساده و آماده برای تولید اعمال کنید: Scikit-learn و TensorFlow با استفاده از Keras. با کد و مثال‌های عملی، دانشمندان داده الگوهای دشواری را در داده‌ها شناسایی می‌کنند و بینش عمیق‌تری کسب می‌کنند، ناهنجاری‌ها را شناسایی می‌کنند، مهندسی و انتخاب ویژگی‌های خودکار را انجام می‌دهند و مجموعه داده‌های مصنوعی تولید می‌کنند. تنها چیزی که برای شروع نیاز دارید برنامه نویسی و تجربه یادگیری ماشینی است.


مقایسه نقاط قوت و ضعف رویکردهای مختلف یادگیری ماشین: یادگیری تحت نظارت، بدون نظارت و تقویتی
تنظیم پروژه های یادگیری ماشینی را سرتاسر راه اندازی و مدیریت کنید
یک سیستم تشخیص ناهنجاری برای شناسایی کلاهبرداری از کارت اعتباری بسازید
کاربران را در گروه های مجزا و همگن دسته بندی کنید
آموزش نیمه نظارتی را انجام دهید
توسعه دهنده فیلم سیستم هایی با استفاده از ماشین های محدود بولتزمن
تولید تصاویر مصنوعی با استفاده از شبکه های متخاصم مولد


توضیحاتی درمورد کتاب به خارجی

Many industry experts consider unsupervised learning the next frontier in artificial intelligence, one that may hold the key to general artificial intelligence. Since the majority of the world's data is unlabeled, conventional supervised learning cannot be applied. Unsupervised learning, on the other hand, can be applied to unlabeled datasets to discover meaningful patterns buried deep in the data, patterns that may be near impossible for humans to uncover.

Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.


Compare the strengths and weaknesses of the different machine learning approaches: supervised, unsupervised, and reinforcement learning
Set up and manage machine learning projects end-to-end
Build an anomaly detection system to catch credit card fraud
Clusters users into distinct and homogeneous groups
Perform semisupervised learning
Develop movie recommender systems using restricted Boltzmann machines
Generate synthetic images using generative adversarial networks





نظرات کاربران

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