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
ویرایش: 2nd edition
نویسندگان: Bonaccorso. Giuseppe
سری:
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: 79 مگابایت
کلمات کلیدی مربوط به کتاب الگوریتم های یادگیری ماشین: است
در صورت تبدیل فایل کتاب Machine Learning Algorithms 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 الگوریتم های یادگیری ماشین 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.
راهنمای گام به گام ساده و آسان برای دستیابی به کاربرد واقعی الگوریتم های یادگیری ماشین ویژگی های کلیدی آمار و ریاضیات پیچیده را برای برنامه های کاربردی داده فشرده کشف کنید پیشرفت های جدید در الگوریتم EM، PCA، و بیزی را کشف کنید. رگرسیون الگوها را مطالعه کنید و در مجموعه دادههای مختلف پیشبینی کنید. با این حال، نیروهای واقعی پشت خروجی قدرتمند آن، الگوریتمهای پیچیدهای هستند که شامل تحلیلهای آماری قابلتوجهی است که مجموعههای داده بزرگ را به هم میریزد و بینش قابلتوجهی ایجاد میکند. این ویرایش دوم الگوریتمهای یادگیری ماشین شما را از طریق نتایج توسعه برجستهای که در رابطه با الگوریتمهای یادگیری ماشین رخ داده است، راهنمایی میکند، که سهم عمدهای در فرآیند یادگیری ماشین دارند و به شما کمک میکنند تا تفسیر آماری را در حوزههای تحت نظارت و نیمهنظارت تقویت کنید و بر آن مسلط شوید. ، و یادگیری تقویتی. هنگامی که مفاهیم اصلی یک الگوریتم پوشش داده شد، نمونه های دنیای واقعی را بر اساس پرکاربردترین کتابخانه ها، مانند scikit-learn، NLTK، TensorFlow و Keras کاوش خواهید کرد. شما موضوعات جدیدی مانند تجزیه و تحلیل مؤلفه های اصلی (PCA)، تجزیه و تحلیل مؤلفه های مستقل (ICA)، رگرسیون بیزی، تجزیه و تحلیل متمایز، خوشه بندی پیشرفته، و مخلوط گاوسی را کشف خواهید کرد. در پایان این کتاب، شما الگوریتمهای یادگیری ماشین را مطالعه کردهاید و میتوانید آنها را در تولید قرار دهید تا برنامههای یادگیری ماشینی خود را خلاقانهتر کنید. آنچه خواهید آموخت مطالعه انتخاب ویژگی و فرآیند مهندسی ویژگی ارزیابی عملکرد و معاوضه خطا برای رگرسیون خطی یک مدل داده بسازید و نحوه کار آن را با استفاده از انواع مختلف الگوریتم یاد بگیرید تنظیم پارامترهای ماشینهای بردار پشتیبانی (SVM) را کاوش کنید. مفهوم پردازش زبان طبیعی (NLP) و سیستمهای توصیه ایجاد یک معماری یادگیری ماشین از ابتدا. زمینه تجزیه و تحلیل پیش بینی و یادگیری ماشین. آشنایی با R و Python یک مزیت اضافی برای دریافت بهترین ها از این کتاب خواهد بود. دانلود کد نمونه برای این کتاب میتوانید فایلهای کد نمونه همه کتابهای Packt را که از حساب خود در http://www.PacktPub.com خریداری کردهاید دانلود کنید. من ...
An easy-to-follow, step-by-step guide for getting to grips with the real-world application of machine learning algorithms Key Features Explore statistics and complex mathematics for data-intensive applications Discover new developments in EM algorithm, PCA, and bayesian regression Study patterns and make predictions across various datasets Book Description Machine learning has gained tremendous popularity for its powerful and fast predictions with large datasets. However, the true forces behind its powerful output are the complex algorithms involving substantial statistical analysis that churn large datasets and generate substantial insight. This second edition of Machine Learning Algorithms walks you through prominent development outcomes that have taken place relating to machine learning algorithms, which constitute major contributions to the machine learning process and help you to strengthen and master statistical interpretation across the areas of supervised, semi-supervised, and reinforcement learning. Once the core concepts of an algorithm have been covered, you'll explore real-world examples based on the most diffused libraries, such as scikit-learn, NLTK, TensorFlow, and Keras. You will discover new topics such as principal component analysis (PCA), independent component analysis (ICA), Bayesian regression, discriminant analysis, advanced clustering, and gaussian mixture. By the end of this book, you will have studied machine learning algorithms and be able to put them into production to make your machine learning applications more innovative. What you will learn Study feature selection and the feature engineering process Assess performance and error trade-offs for linear regression Build a data model and understand how it works by using different types of algorithm Learn to tune the parameters of Support Vector Machines (SVM) Explore the concept of natural language processing (NLP) and recommendation systems Create a machine learning architecture from scratch Who this book is for Machine Learning Algorithms is for you if you are a machine learning engineer, data engineer, or junior data scientist who wants to advance in the field of predictive analytics and machine learning. Familiarity with R and Python will be an added advantage for getting the best from this book. Downloading the example code for this book You can download the example code files for all Packt books you have purchased from your account at http://www.PacktPub.com. I ...