دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Machine Learning in Java - Helpful techniques to design, build, and deploy powerful machine learning applications in Java
دانلود کتاب یادگیری ماشین در جاوا - تکنیک های مفید برای طراحی، ساخت و استقرار برنامه های قدرتمند یادگیری ماشین در جاوا
مشخصات کتاب
Machine Learning in Java - Helpful techniques to design, build, and deploy powerful machine learning applications in Java
ویرایش: [2nd ed.]
نویسندگان: AshishSingh Bhatia. Bostjan Kaluza
سری: Packt
ISBN (شابک) : 9781788474399
ناشر: Packt Publishing
سال نشر: 2019
تعداد صفحات: 300
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 Mb
قیمت کتاب (تومان) : 47,000
در صورت تبدیل فایل کتاب Machine Learning in Java - Helpful techniques to design, build, and deploy powerful machine learning applications in Java 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 در جاوا - تکنیک های مفید برای طراحی، ساخت و استقرار برنامه های قدرتمند یادگیری ماشین در جاوا 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 در جاوا - تکنیک های مفید برای طراحی، ساخت و استقرار برنامه های قدرتمند یادگیری ماشین در جاوا
از قدرت جاوا و کتابخانه‌های یادگیری ماشین مرتبط با آن برای ساخت مدل‌های پیش‌بینی قدرتمند استفاده کنید. ویژگی‌های کلیدی حل مشکلات مدل‌سازی پیش‌بینی با استفاده از محبوب‌ترین کتابخانه‌های جاوا یادگیری ماشینی پردازش داده، یادگیری ماشین و مفاهیم NLP را با استفاده از کتابخانه‌های JavaML، WEKA، MALLET کاوش کنید. نکات و ترفندهایی برای کمک به درک یادگیری ماشین کاربردی در جاوا شرح کتاب از آنجایی که میزان داده در جهان با سرعت تقریباً نامفهومی در حال افزایش است، توانایی درک و پردازش داده‌ها در حال تبدیل شدن به یک تمایز کلیدی برای سازمان‌های رقابتی است. برنامه‌های یادگیری ماشین همه جا هستند، از ماشین‌های خودران، تشخیص هرزنامه، جستجوی اسناد، و استراتژی‌های معاملاتی گرفته تا تشخیص گفتار. این امر باعث می‌شود که یادگیری ماشین برای عصر امروزی داده‌های بزرگ و علم داده مناسب باشد. چالش اصلی این است که چگونه داده ها را به دانش عملی تبدیل کنیم. یادگیری ماشین در جاوا تکنیک ها و ابزارهای مورد نیاز را در اختیار شما قرار می دهد. شما با یادگیری نحوه استفاده از روش‌های یادگیری ماشینی برای انواع وظایف رایج از جمله طبقه‌بندی، پیش‌بینی، پیش‌بینی، تحلیل سبد بازار و خوشه‌بندی شروع خواهید کرد. کد موجود در این کتاب برای JDK 8 و بالاتر کار می کند، کد بر روی JDK 11 تست شده است. با حرکت به جلو، نحوه تشخیص ناهنجاری ها و تقلب ها و راه های انجام تشخیص فعالیت، تشخیص تصویر و تجزیه و تحلیل متن را خواهید یافت. در پایان کتاب، منابع و فناوری های مرتبط وب را بررسی خواهید کرد که به شما کمک می کند تا یادگیری خود را به سطح بعدی ببرید. با استفاده از مؤثرترین روش‌های یادگیری ماشین برای مشکلات دنیای واقعی، تجربه عملی به دست خواهید آورد که طرز فکر شما را در مورد داده‌ها تغییر خواهد داد. آنچه می آموزید کشف کتابخانه های کلیدی یادگیری ماشین جاوا پیاده سازی مفاهیمی مانند طبقه بندی، رگرسیون، و خوشه بندی توسعه یک استراتژی حفظ مشتری با پیش بینی نامزدهای احتمالی انحراف ایجاد یک موتور توصیه مقیاس پذیر با Apache Mahout استفاده از یادگیری ماشینی برای تقلب، ناهنجاری و آزمایش تشخیص موارد پرت با مفاهیم و الگوریتم‌های یادگیری عمیق مدل شناسایی فعالیت خود را برای برنامه‌های سلامت الکترونیک بنویسید این کتاب برای چه کسانی است اگر می‌خواهید یاد بگیرید چگونه از کتابخانه‌های یادگیری ماشینی جاوا برای به دست آوردن بینش از داده‌های خود استفاده کنید، این کتاب برای شما مناسب است. این شما را به سرعت راه اندازی می کند و مهارت های لازم برای ایجاد، سفارشی سازی و استقرار موفقیت آمیز برنامه های یادگیری ماشین را به راحتی در اختیار شما قرار می دهد. برای استفاده حداکثری از این کتاب باید با برنامه نویسی جاوا و برخی مفاهیم پایه داده کاوی آشنا باشید، اما نیازی به تجربه قبلی در زمینه یادگیری ماشین نیست.
توضیحاتی درمورد کتاب به خارجی
Leverage the power of Java and its associated machine learning libraries to build powerful predictive models Key Features Solve predictive modeling problems using the most popular machine learning Java libraries Explore data processing, machine learning, and NLP concepts using JavaML, WEKA, MALLET libraries Practical examples, tips, and tricks to help you understand applied machine learning in Java Book Description As the amount of data in the world continues to grow at an almost incomprehensible rate, being able to understand and process data is becoming a key differentiator for competitive organizations. Machine learning applications are everywhere, from self-driving cars, spam detection, document search, and trading strategies, to speech recognition. This makes machine learning well-suited to the present-day era of big data and Data Science. The main challenge is how to transform data into actionable knowledge. Machine Learning in Java will provide you with the techniques and tools you need. You will start by learning how to apply machine learning methods to a variety of common tasks including classification, prediction, forecasting, market basket analysis, and clustering. The code in this book works for JDK 8 and above, the code is tested on JDK 11. Moving on, you will discover how to detect anomalies and fraud, and ways to perform activity recognition, image recognition, and text analysis. By the end of the book, you will have explored related web resources and technologies that will help you take your learning to the next level. By applying the most effective machine learning methods to real-world problems, you will gain hands-on experience that will transform the way you think about data. What you will learn Discover key Java machine learning libraries Implement concepts such as classification, regression, and clustering Develop a customer retention strategy by predicting likely churn candidates Build a scalable recommendation engine with Apache Mahout Apply machine learning to fraud, anomaly, and outlier detection Experiment with deep learning concepts and algorithms Write your own activity recognition model for eHealth applications Who this book is for If you want to learn how to use Java\'s machine learning libraries to gain insight from your data, this book is for you. It will get you up and running quickly and provide you with the skills you need to successfully create, customize, and deploy machine learning applications with ease. You should be familiar with Java programming and some basic data mining concepts to make the most of this book, but no prior experience with machine learning is required.
فهرست مطالب
Title Page Copyright and Credits Contributors About Packt Table of Contents Preface Applied Machine Learning Quick Start Machine learning and data science Solving problems with machine learning Applied machine learning workflow Data and problem definition Measurement scales Data collection Finding or observing data Generating data Sampling traps Data preprocessing Data cleaning Filling missing values Remove outliers Data transformation Data reduction Unsupervised learning Finding similar items Euclidean distances Non-Euclidean distances The curse of dimensionality Clustering Supervised learning Classification Decision tree learning Probabilistic classifiers Kernel methods Artificial neural networks Ensemble learning Evaluating classification Precision and recall Roc curves Regression Linear regression Logistic regression Evaluating regression Mean squared error Mean absolute error Correlation coefficient Generalization and evaluation Underfitting and overfitting Train and test sets Cross-validation Leave-one-out validation Stratification Summary Java Libraries and Platforms for Machine Learning The need for Java Machine learning libraries Weka Java machine learning Apache Mahout Apache Spark Deeplearning4j MALLET The Encog Machine Learning Framework ELKI MOA Comparing libraries Building a machine learning application Traditional machine learning architecture Dealing with big data Big data application architecture Summary Basic Algorithms - Classification, Regression, and Clustering Before you start Classification Data Loading data Feature selection Learning algorithms Classifying new data Evaluation and prediction error metrics The confusion matrix Choosing a classification algorithm Classification using Encog Classification using massive online analysis Evaluation Baseline classifiers Decision tree Lazy learning Active learning Regression Loading the data Analyzing attributes Building and evaluating the regression model Linear regression Linear regression using Encog Regression using MOA Regression trees Tips to avoid common regression problems Clustering Clustering algorithms Evaluation Clustering using Encog Clustering using ELKI Summary Customer Relationship Prediction with Ensembles The customer relationship database Challenge Dataset Evaluation Basic Naive Bayes classifier baseline Getting the data Loading the data Basic modeling Evaluating models Implementing the Naive Bayes baseline Advanced modeling with ensembles Before we start Data preprocessing Attribute selection Model selection Performance evaluation Ensemble methods – MOA Summary Affinity Analysis Market basket analysis Affinity analysis Association rule learning Basic concepts Database of transactions Itemset and rule Support Lift Confidence Apriori algorithm FP-Growth algorithm The supermarket dataset Discover patterns Apriori FP-Growth Other applications in various areas Medical diagnosis Protein sequences Census data Customer relationship management IT operations analytics Summary Recommendation Engines with Apache Mahout Basic concepts Key concepts User-based and item-based analysis Calculating similarity Collaborative filtering Content-based filtering Hybrid approach Exploitation versus exploration Getting Apache Mahout Configuring Mahout in Eclipse with the Maven plugin Building a recommendation engine Book ratings dataset Loading the data Loading data from a file Loading data from a database In-memory databases Collaborative filtering User-based filtering Item-based filtering Adding custom rules to recommendations Evaluation Online learning engine Content-based filtering Summary Fraud and Anomaly Detection Suspicious and anomalous behavior detection Unknown unknowns Suspicious pattern detection Anomalous pattern detection Analysis types Pattern analysis Transaction analysis Plan recognition Outlier detection using ELKI An example using ELKI Fraud detection in insurance claims Dataset Modeling suspicious patterns The vanilla approach Dataset rebalancing Anomaly detection in website traffic Dataset Anomaly detection in time series data Using Encog for time series Histogram-based anomaly detection Loading the data Creating histograms Density-based k-nearest neighbors Summary Image Recognition with Deeplearning4j Introducing image recognition Neural networks Perceptron Feedforward neural networks Autoencoder Restricted Boltzmann machine Deep convolutional networks Image classification Deeplearning4j Getting DL4J MNIST dataset Loading the data Building models Building a single-layer regression model Building a deep belief network Building a multilayer convolutional network Summary Activity Recognition with Mobile Phone Sensors Introducing activity recognition Mobile phone sensors Activity recognition pipeline The plan Collecting data from a mobile phone Installing Android Studio Loading the data collector Feature extraction Collecting training data Building a classifier Reducing spurious transitions Plugging the classifier into a mobile app Summary Text Mining with Mallet - Topic Modeling and Spam Detection Introducing text mining Topic modeling Text classification Installing Mallet Working with text data Importing data Importing from directory Importing from file Pre-processing text data Topic modeling for BBC News BBC dataset Modeling Evaluating a model Reusing a model Saving a model Restoring a model Detecting email spam Email spam dataset Feature generation Training and testing Model performance Summary What Is Next? Machine learning in real life Noisy data Class unbalance Feature selection Model chaining The importance of evaluation Getting models into production Model maintenance Standards and markup languages CRISP-DM SEMMA methodology Predictive model markup language Machine learning in the cloud Machine learning as a service Web resources and competitions Datasets Online courses Competitions Websites and blogs Venues and conferences Summary Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Harrington: 'The Commonwealth of Oceana' and 'A System of Politics'
دانلود کتاب Fourth International Conference on Minority Languages: Volume 1: General Papers
