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: Scott V. Burger سری: ISBN (شابک) : 1491976446, 9781491976449 ناشر: O’Reilly Media سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Introduction to Machine Learning with R: Rigorous Mathematical Analysis 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 مقدمه ای بر یادگیری ماشین با R: تجزیه و تحلیل دقیق ریاضی 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 یک موضوع ترسناک است تا زمانی که اصول اولیه را
بدانید. اگر مفاهیم اولیه کد نویسی را درک می کنید، این راهنمای
مقدماتی به شما کمک می کند تا پایه ای محکم در اصول یادگیری ماشین
به دست آورید. با استفاده از زبان برنامه نویسی R، ابتدا با مدل
سازی رگرسیون شروع به یادگیری می کنید و سپس به سمت موضوعات
پیشرفته تری مانند شبکه های عصبی و روش های مبتنی بر درخت می
روید.
در نهایت، شما به مرز می پردازید. از یادگیری ماشین، با استفاده
از بستهcaretدر R. هنگامی که با موضوعاتی مانند تفاوت بین
مدلهای رگرسیون و طبقهبندی آشنا شدید، میتوانید مجموعهای از
مسائل یادگیری ماشین را حل کنید. نویسنده اسکات وی برگر چندین
مثال ارائه میدهد تا به شما کمک کند دانش کاری در مورد یادگیری
ماشین ایجاد کنید.
مدلها، الگوریتمها و آموزش دادههای یادگیری ماشین را کاوش
کنید
درک الگوریتمهای یادگیری ماشین برای موارد نظارت شده و بدون
نظارت
مفاهیم آماری را برای طراحی داده ها برای استفاده در مدل ها بررسی
کنید
به مدل های رگرسیون خطی مورد استفاده در کسب و کار و علم مراجعه
کنید
از شبکه های عصبی تک لایه و چند لایه برای محاسبه نتایج استفاده
کنید
به نحوه عملکرد مدلهای مبتنی بر درخت، از جمله درختهای تصمیم
محبوب نگاه کنید
دریافت نمای جامعی از اکوسیستم یادگیری ماشین در R
کاوش در نیروگاه ابزارهای موجود در بسته caretR's
Machine learning is an intimidating subject until you know the
fundamentals. If you understand basic coding concepts, this
introductory guide will help you gain a solid foundation in
machine learning principles. Using the R programming language,
you'll first start to learn with regression modelling and then
move into more advanced topics such as neural networks and
tree-based methods.
Finally, you'll delve into the frontier of machine learning,
using thecaretpackage in R. Once you develop a
familiarity with topics such as the difference between
regression and classification models, you'll be able to solve
an array of machine learning problems. Author Scott V. Burger
provides several examples to help you build a working knowledge
of machine learning.
Explore machine learning models, algorithms, and data
training
Understand machine learning algorithms for supervised and
unsupervised cases
Examine statistical concepts for designing data for use in
models
Dive into linear regression models used in business and
science
Use single-layer and multilayer neural networks for calculating
outcomes
Look at how tree-based models work, including popular decision
trees
Get a comprehensive view of the machine learning ecosystem in
R
Explore the powerhouse of tools available in
R'scaretpackage