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 Machine Learning and Data Science: Fundamentals and Applications

دانلود کتاب یادگیری ماشین و علم داده: مبانی و کاربردها

Machine Learning and Data Science: Fundamentals and Applications

مشخصات کتاب

Machine Learning and Data Science: Fundamentals and Applications

ویرایش: [1 ed.] 
نویسندگان: , , , ,   
سری:  
ISBN (شابک) : 1119775612, 9781119775614 
ناشر: Wiley-Scrivener 
سال نشر: 2022 
تعداد صفحات: 272
[271] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 Mb 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 1


در صورت تبدیل فایل کتاب Machine Learning and Data Science: Fundamentals and Applications 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 ماشین و علم داده: مبانی و کاربردها 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 ماشین و علم داده: مبانی و کاربردها

یادگیری ماشین و علم داده

این مجموعه مقالات که توسط تیمی از متخصصان در این زمینه نوشته و ویرایش شده است، منعکس کننده به روزترین و جامع ترین وضعیت فعلی یادگیری ماشین و علم داده برای صنعت، دولت و دانشگاه.

یادگیری ماشین (ML) و علم داده (DS) موضوعات بسیار فعال با دامنه وسیعی هستند، هم از نظر تئوری و هم برنامه های کاربردی. آنها به عنوان یک زمینه علمی نوظهور مهم و الگوی محرک تکامل تحقیق در رشته هایی مانند آمار، علوم محاسباتی و علم هوش، و تحول عملی در حوزه هایی مانند علم، مهندسی، بخش عمومی، تجارت، علوم اجتماعی و سبک زندگی ایجاد شده اند. به طور همزمان، برنامه های کاربردی آنها چالش های مهمی را ارائه می دهند که اغلب تنها با الگوریتم های نوآورانه یادگیری ماشین و علم داده قابل حل هستند.

این الگوریتم‌ها حوزه‌های بزرگ‌تری از هوش مصنوعی، تجزیه و تحلیل داده‌ها، یادگیری ماشینی، تشخیص الگو، درک زبان طبیعی و دستکاری کلان داده را در بر می‌گیرد. آنها همچنین به چالش‌های علمی جدید مرتبط می‌پردازند، از جمع‌آوری داده‌ها، ایجاد، ذخیره‌سازی، بازیابی، اشتراک‌گذاری، تجزیه و تحلیل، بهینه‌سازی و تجسم، تا تجزیه و تحلیل یکپارچه در منابع پیچیده ناهمگن و وابسته به هم برای تصمیم‌گیری بهتر، همکاری و در نهایت ارزش. ایجاد.


توضیحاتی درمورد کتاب به خارجی

MACHINE LEARNING AND DATA SCIENCE

Written and edited by a team of experts in the field, this collection of papers reflects the most up-to-date and comprehensive current state of machine learning and data science for industry, government, and academia.

Machine learning (ML) and data science (DS) are very active topics with an extensive scope, both in terms of theory and applications. They have been established as an important emergent scientific field and paradigm driving research evolution in such disciplines as statistics, computing science and intelligence science, and practical transformation in such domains as science, engineering, the public sector, business, social science, and lifestyle. Simultaneously, their applications provide important challenges that can often be addressed only with innovative machine learning and data science algorithms.

These algorithms encompass the larger areas of artificial intelligence, data analytics, machine learning, pattern recognition, natural language understanding, and big data manipulation. They also tackle related new scientific challenges, ranging from data capture, creation, storage, retrieval, sharing, analysis, optimization, and visualization, to integrative analysis across heterogeneous and interdependent complex resources for better decision-making, collaboration, and, ultimately, value creation.



فهرست مطالب

Cover
Half-Title Page
Title Page
Copyright Page
Contents
Preface
Book Description
1 Machine Learning: An Introduction to Reinforcement Learning
	1.1 Introduction
		1.1.1 Motivation
		1.1.2 Machine Learning
		1.1.3 How Machines Learn
		1.1.4 Analogy
		1.1.5 Reinforcement Learning Process
		1.1.6 Reinforcement Learning Definitions: Basic Terminologies
		1.1.7 Reinforcement Learning Concepts
	1.2 Reinforcement Learning Paradigm: Characteristics
	1.3 Reinforcement Learning Problem
	1.4 Applications of Reinforcement Learning
	Conclusion
	References
2 Data Analysis Using Machine Learning: An Experimental Study on UFC
	2.1 Introduction
	2.2 Proposed Methodology
		2.2.1 Data Extraction: Preliminary
		2.2.2 Pre-Processing Dataset
	2.3 Experimental Evaluation and Visualization
	2.4 Conclusion
	References
3 Dawn of Big Data with Hadoop and Machine Learning
	3.1 Introduction
	3.2 Big Data
		3.2.1 The Life Cycle of Big Data
		3.2.2 Challenges in Big Data
		3.2.3 Scaling in Big Data Platforms
		3.2.4 Factors to Understand Big Data Platforms and Their Selection Criteria
		3.2.5 Current Trends in Big Data
		3.2.6 Big Data Use Cases
	3.3 Machine Learning
		3.3.1 Machine Learning Algorithms
	3.4 Hadoop
		3.4.1 Components of the Hadoop Ecosystem
		3.4.2 Other Important Components of the Hadoop Ecosystem for Machine Learning
		3.4.3 Benefits of Hadoop with Machine Learning
	3.5 Studies Representing Applications of Machine Learning Techniques with Hadoop
	3.6 Conclusion
	References
4 Industry 4.0: Smart Manufacturing in Industries The Future
	4.1 Introduction
		Challenges or Responses
		Shared Infrastructure
		Security
		Costs or Profitability
		Future Proofing
	Conclusion
	References
5 COVID-19 Curve Exploration Using Time Series Data for India
	5.1 Introduction
	5.2 Materials Methods
		5.2.1 Data Acquisition
		5.2.2 Exploratory Data Analysis (EDA)
	5.3 Concl usion and Future Work
	References
6 A Case Study on Cluster Based Application Mapping Method for Power Optimization in 2D NoC
	6.1 Introduction
	6.2 Concept Graph Theory and NOC
		Definition 1.1
		Definition 1.2
		Definition 1.3
		Definition 1.4
	6.3 Related Work
		6.3.1 Cluster-Based Mapping with KL Algorithm
		6.3.2 Cluster-Based Mapping with Tailor Made Algorithm
		6.3.3 Cluster-Based Mapping with Depth First Search (DFS) Algorithm
	6.4 Proposed Methodology
		6.4.1 Cluster-Based Mapping with FM Algorithm
		6.4.2 Calculation of Total Power Consumption
		6.4.3 Total Power Calculation by Using Tabu Search
	6.5 Experimental Results and Discussion
		6.5.1 Total Power Consumption in 2D NoC
		6.5.2 Performance of Tabu Search for Power Optimization with Mesh Topology
		6.5.3 Performance of Tabu Search for Power Optimization with Ring Topology
		6.5.4 Average Hop Counts for 2D NoC
	6.6 Conclusion
	References
7 Healthcare Case Study: COVID19 Detection, Prevention Measures, and Prediction Using Machine Learning & Deep Learning Algorithms
	7.1 Introduction
	7.2 Literature Review
	7.3 Coronavirus (Covid19)
		7.3.1 History of Coronavirus
		7.3.2 Transmission Stages of COVID19
		7.3.3 Restrictions of COVID19
		7.3.4 Symptoms of COVID19
		7.3.5 Prevention of COVID19
		7.3.6 COVID19 Diagnosis and Awareness
		7.3.7 Measures to Perform by COVID19 Patients
		7.3.8 High-Risk People
		7.3.9 Problem Formulation
	7.4 Proposed Working Model
		7.4.1 Data Selection
		7.4.2 Important Symptoms for Prediction
		7.4.3 Data Classification
	7.5 Experimental Evaluation
		7.5.1 Experiment Results
		7.5.2 Experiment Analysis
	7.6 Conclusion and Future Work
	References
8 Analysis and Impact of Climatic Conditions on COVID-19 Using Machine Learning
	8.1 Introduction
		8.1.1 Types of Coronavirus
		8.1.2 Transmission of Virus
	8.2 COVID-19
	8.3 Experimental Setup
	8.4 Proposed Methodology
	8.5 Results Discussion
	8.6 Conclusion and Future Work
	References
9 Application of Hadoop in Data Science
	9.1 Introduction
		9.1.1 Data Science
		9.1.2 Big Data
	9.2 Hadoop Distributed Processing
		9.2.1 Anatomy of the Hadoop Ecosystem
		9.2.2 Other Important Components of Hadoop Ecosystem
		9.2.3 MapReduce
		9.2.4 Need for Hadoop
		9.2.5 Applications of Hadoop
		9.2.6 Use of Hadoop with Data Science
	9.3 Using Hadoop with Data Science
		9.3.1 Reasons for Hadoop Being a Preferred Choice for Data Science
		9.3.2 Studies Using Data Science with Hadoop
	9.4 Conclusion
	References
10 Networking Technologies and Challenges for Green IOT Applications in Urban Climate
	10.1 Introduction
	10.2 Background
		10.2.1 Internet of Things
	10.3 Green Internet of Things
		10.3.1 Green IOT Networking Technologies
		10.3.2 Green IOT Applications in Urban Climate
		10.3.3 Intelligent Housing
		10.3.4 Intelligent Industrial Technology
		10.3.5 Intelligent Healthcare
		10.3.6 Intelligent Grid
		10.3.7 Intelligent Harvesting
	10.4 Different Energy-Efficient Implementation of Green IOT
	10.5 Recycling Principal for Green IOT
	10.6 Green IOT Architecture of Urban Climate
	10.7 Challenges of Green IOT in Urban Climate
	10.8 Discussion & Future Research Directions
	10.9 Conclusion
	References
11 Analysis of Human Activity Recognition Algorithms Using Trimmed Video Datasets
	11.1 Introduction
	11.2 Contributions in the Field of Activity Recognition from Video Sequences
		11.2.1 Activity Recognition from Trimmed Video Sequences Using Convolutional Neural Networks
	11.3 Conclusion
	References
12 Solving Direction Sense Based Reasoning Problems Using Natural Language Processing
	12.1 Introduction
	12.2 Methodology
		12.2.1 Phases of NLP
		d. Semantic Analysis
		e. Pragmatic Analysis
	12.3 Description of Position
		12.3.1 Distance Relation
		12.3.2 Direction Relation
		12.3.3 Description of Combined Distance and Direction Relation
	12.4 Results and Discussion
	12.5 Graphical User Interface
	Conclusion
	References
13 Drowsiness Detection Using Digital Image Processing
	13.1 Introduction
	13.2 Literature Review
	13.3 Proposed System
	13.4 The Dataset
	13.5 Working Principle
		13.5.1 Face Detection
		13.5.2 Drowsiness Detection Approach
	13.6 Convolutional Neural Networks
		13.6.1 CNN Design for Decisive State of the Eye
	13.7 Performance Evaluation
		13.7.1 Observations
	13.8 Conclusion
	References
Index
Also of Interest
	Check out these other related titles from Scrivener Publishing
EULA




نظرات کاربران