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:
نویسندگان: Mark Hoogendoorn. Burkhardt Funk
سری:
ISBN (شابک) : 9783319663081
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 232
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب Machine Learning for the Quantified Self. On the Art of Learning from Sensory 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 یادگیری ماشینی برای خود کمی در مورد هنر یادگیری از داده های حسی 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.
این کتاب حلقه کامل را برای استفاده موثر از داده های خود ردیابی برای یادگیری ماشین توضیح می دهد. در حالی که بر روی داده های خود ردیابی تمرکز می کند، تکنیک های توضیح داده شده به طور کلی برای داده های حسی نیز قابل استفاده هستند و آن را برای مخاطبان وسیع تری مفید می کنند. با بحث در مورد مفاهیم برگرفته از ادبیات علمی پیشرفته، رویکردها را با استفاده از مطالعه موردی مجموعه داده های خود ردیابی غنی نشان می دهد. خود ردیابی به بخشی از سبک زندگی مدرن تبدیل شده است و حجم داده های تولید شده توسط این دستگاه ها آنقدر زیاد است که به سختی می توان بینش مفیدی از آن به دست آورد. خوشبختانه، در حوزه هوش مصنوعی تکنیک هایی وجود دارد که می تواند به شما کمک کند: رویکردهای یادگیری ماشینی امکان تجزیه و تحلیل این نوع داده ها را فراهم می کند. در حالی که کتابهای فراوانی وجود دارد که تکنیکهای یادگیری ماشینی را توضیح میدهد، دادههای خود ردیابی با مشکلات خاص خود همراه است که به تکنیکهای اختصاصی مانند یادگیری در طول زمان و بین کاربران نیاز دارد.
This book explains the complete loop to effectively use self-tracking data for machine learning. While it focuses on self-tracking data, the techniques explained are also applicable to sensory data in general, making it useful for a wider audience. Discussing concepts drawn from from state-of-the-art scientific literature, it illustrates the approaches using a case study of a rich self-tracking data set. Self-tracking has become part of the modern lifestyle, and the amount of data generated by these devices is so overwhelming that it is difficult to obtain useful insights from it. Luckily, in the domain of artificial intelligence there are techniques that can help out: machine-learning approaches allow this type of data to be analyzed. While there are ample books that explain machine-learning techniques, self-tracking data comes with its own difficulties that require dedicated techniques such as learning over time and across users.