مشخصات کتاب

Machine Learning in Business: An Introduction to the World of Data Science

ویرایش: 2 
نویسندگان: John Hull  
سری:  
ISBN (شابک) : 9798644074372 
ناشر:  
سال نشر: 2020 
تعداد صفحات: 274 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت 

در صورت تبدیل فایل کتاب Machine Learning in Business: An Introduction to the World of Data Science 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 در تجارت: مقدمه ای بر دنیای علم داده 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 ماشینی در تجارت: مقدمه ای بر دنیای علم داده

این کتاب برای مدیران کسب و کار و دانش آموزانی است که می خواهند با ابزارهای مورد استفاده در یادگیری ماشینی آشنا شوند. در ایجاد نسخه دوم، جان هال به بهبود مطالب خود ادامه داده و سه فصل جدید اضافه کرده است. این کتاب محبوب ترین الگوریتم ها را به طور واضح و مختصر بدون استفاده از حساب دیفرانسیل و انتگرال یا جبر ماتریسی/بردار توضیح می دهد. تمرکز بر برنامه های تجاری است. مثال های گویا زیادی وجود دارد. اینها شامل ارزیابی ریسک یک کشور برای سرمایه گذاری بین المللی، پیش بینی ارزش املاک و مستغلات، و طبقه بندی وام های خرده فروشی به عنوان قابل قبول یا غیرقابل قبول است. داده ها، کاربرگ ها و کد پایتون برای نمونه ها در وب سایت نویسنده موجود است. مجموعه کاملی از اسلایدهای پاورپوینت قابل استفاده توسط مربیان نیز در وب سایت موجود است. فصل اول انواع مختلف مدل های یادگیری ماشین را بررسی می کند. نقش مجموعه داده های آموزشی، مجموعه داده های اعتبارسنجی و مجموعه داده های آزمون را توضیح می دهد. همچنین مسائل مربوط به پاکسازی داده ها را توضیح می دهد و قضیه بیز را بررسی می کند. فصل 2 به یادگیری بدون نظارت اختصاص دارد. این الگوریتم k-means و رویکردهای جایگزین برای خوشه‌بندی را توضیح می‌دهد. همچنین تجزیه و تحلیل اجزای اصلی را پوشش می دهد. فصل 3 رگرسیون خطی و لجستیک را توضیح می دهد. تنظیم با استفاده از Ridge، Lasso و Elastic Net را پوشش می دهد. فصل 4 درختان تصمیم را پوشش می دهد. این شامل بحثی در مورد طبقه بندی کننده ساده بیز، جنگل های تصادفی و سایر روش های مجموعه است. فصل 5 توضیح می دهد که چگونه می توان از روش SVM برای طبقه بندی خطی و غیر خطی و همچنین برای پیش بینی یک متغیر پیوسته استفاده کرد. فصل ششم به شبکه های عصبی اختصاص دارد. این شامل بحثی در مورد الگوریتم نزول گرادیان، انتشار پس‌انداز، قوانین توقف، رمزگذارهای خودکار، شبکه‌های عصبی کانولوشنال و شبکه‌های عصبی تکراری است. فصل 7 یادگیری تقویتی را با استفاده از دو بازی به عنوان مثال توضیح می دهد. این آموزش Q-learning و Deep Q-Learning را پوشش می دهد و کاربردها را مورد بحث قرار می دهد. فصل 8 پردازش زبان طبیعی را پوشش می دهد. این بحث می کند که چگونه الگوریتم های معرفی شده در کتاب می توانند برای تجزیه و تحلیل احساسات، ترجمه زبان و بازیابی اطلاعات استفاده شوند. فصل 9 به تفسیرپذیری مدل می پردازد. در مورد اهمیت قابل فهم کردن مدل ها و رویه هایی که می توان برای هر دو مدل جعبه سفید و جعبه سیاه استفاده کرد بحث می کند. فصل 10 دو کاربرد شامل مشتقاتی را که نویسنده در آن مشارکت داشته است توضیح می دهد. فصل آخر بر مسائل جامعه تمرکز دارد. موضوعات تحت پوشش شامل حریم خصوصی داده ها، سوگیری ها، ملاحظات اخلاقی، مسائل حقوقی و یادگیری ماشینی متخاصم است. در انتهای فصل‌ها سؤالات مفهومی کوتاهی برای آزمایش درک خوانندگان از مطالب و تمرین‌های طولانی‌تر وجود دارد. پاسخ ها در انتهای کتاب آمده است. کتاب شامل واژه نامه اصطلاحات و فهرست است.

توضیحاتی درمورد کتاب به خارجی

This book is for business executives and students who want to learn about the tools used in machine learning. In creating the second edition, John Hull has continued to improve his material and added three new chapters. The book explains the most popular algorithms clearly and succinctly without using calculus or matrix/vector algebra. The focus is on business applications. There are many illustrative examples. These include assessing the risk of a country for international investment, predicting the value of real estate, and classifying retail loans as acceptable or unacceptable. Data, worksheets, and Python code for the examples is on the author's website. A complete set of PowerPoint slides that can be used by instructors is also on the website. The opening chapter reviews different types of machine learning models. It explains the role of the training data set, the validation data set, and the test data set. It also explains the issues involved in cleaning data and reviews Bayes' theorem. Chapter 2 is devoted to unsupervised learning. It explains the k-means algorithm and alternative approaches to clustering. It also covers principal components analysis. Chapter 3 explains linear and logistic regression. It covers regularization using Ridge, Lasso, and Elastic Net. Chapter 4 covers decision trees. It includes a discussion of the naive Bayes classifier, random forests, and other ensemble methods. Chapter 5, explains how the SVM approach can be used for both linear and non-linear classification as well as for the prediction of a continuous variable. Chapter 6 is devoted to neural networks. It includes a discussion of the gradient descent algorithm, backpropagation, stopping rules, autoencoders, convolutional neural networks, and recurrent neural networks. Chapter 7 explains reinforcement learning using two games as examples. It covers Q-learning and deep Q-learning, and discusses applications. Chapter 8 covers natural language processing. It discusses how the algorithms introduced in the book can be used for sentiment analysis, language translation and information retrieval. Chapter 9 is concerned with model interpretability. It discusses the importance of making models understandable and the procedures that can be used for both white-box and black-box models. Chapter 10 explains two applications involving derivatives that the author has been involved in. The final chapter focuses on issues for society. The topics covered include data privacy, biases, ethical considerations, legal issues, and adversarial machine learning. At the ends of chapters there are short concept questions to test the readers understanding of the material and longer exercises. Answers are at the end of the book. The book includes a glossary of terms and an index.

فهرست مطالب

Chapter 1: Introduction
Chapter 2: Unsupervised Learning
Chapter 3: Linear and Logistic Regression
Chapter 4: Decision Trees
Chapter 5: SVMs
Chapter 6: Neural Networks
Chapter 7: Reinforcement Learning
Chapter 8: Natural Language Processing
Chapter 9: Model Interpretability
Chapter 10: Applications in Finance
Chapter 11: Issues for Society
Answers to End of Chapter Questions
Glossary of Terms
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Kennedy and the Berlin Wall: A Hell of a Lot Better than a War

دانلود کتاب Proceedings of the International Congress of Mathematicians : Rio de Janeiro 2018 (ICM 2018), volume 1

دانلود کتاب One Economics, Many Recipes: Globalization, Institutions, and Economic Growth

دانلود کتاب 麻省理工深度思考法:从模型及动力机制来思考现象

دانلود کتاب Les dictées de Bernard Pivot. Les Dicos d'or