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 Using R

دانلود کتاب یادگیری ماشین با استفاده از R

Machine Learning Using R

مشخصات کتاب

Machine Learning Using R

ویرایش: 2nd Edition 
نویسندگان: ,   
سری:  
ISBN (شابک) : 9781484242155 
ناشر: Apress 
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت 

قیمت کتاب (تومان) : 39,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 21


در صورت تبدیل فایل کتاب Machine Learning Using R 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 با استفاده از R 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 با استفاده از R



آخرین پیشرفت‌های فناوری را در ساخت یک مدل یادگیری ماشینی مقیاس‌پذیر با داده‌های بزرگ با استفاده از R بررسی کنید. این ویرایش دوم به شما نشان می‌دهد که چگونه با یک الگوریتم یادگیری ماشینی کار کنید و از آن برای ساختن یک ML استفاده کنید. مدل از داده های خام خواهید دید که چگونه از برنامه نویسی R با TensorFlow استفاده کنید، بنابراین در صورتی که فقط با R راحت باشید، از تلاش برای یادگیری پایتون اجتناب می کنید.

همانطور که در نسخه اول، نویسندگان تعادل خوب نظریه و کاربرد را حفظ کرده اند. یادگیری ماشین از طریق موارد استفاده مختلف در دنیای واقعی که مجموعه ای جامع از موضوعات یادگیری ماشین را در اختیار شما قرار می دهد. فصل‌های جدید این نسخه شامل مدل‌های سری زمانی و یادگیری عمیق است.

آنچه یاد خواهید گرفت 
  • درک الگوریتم‌های یادگیری ماشینی با استفاده از R
  • تسلط بر فرآیند ساخت مدل‌های یادگیری ماشینی 
  • بررسی مبانی نظری الگوریتم‌های یادگیری ماشینی
  • مشاهده استفاده در دنیای واقعی متمرکز بر صنعت...

  • توضیحاتی درمورد کتاب به خارجی

    Examine the latest technological advancements in building a scalable machine-learning model with big data using R. This second edition shows you how to work with a machine-learning algorithm and use it to build a ML model from raw data. You will see how to use R programming with TensorFlow, thus avoiding the effort of learning Python if you are only comfortable with R.

    As in the first edition, the authors have kept the fine balance of theory and application of machine learning through various real-world use-cases which gives you a comprehensive collection of topics in machine learning. New chapters in this edition cover time series models and deep learning.

    What You'll Learn 
  • Understand machine learning algorithms using R
  • Master the process of building machine-learning models 
  • Cover the theoretical foundations of machine-learning algorithms
  • See industry focused real-world use...


  • فهرست مطالب

    Contents......Page 3
    Intro......Page 14
    Intro to Machine Learning & R......Page 16
    Understanding the Evolution......Page 17
    Probability and Statistics......Page 22
    Getting Started with R......Page 36
    Machine Learning Process Flow......Page 45
    Summary......Page 48
    Data Preparation & Exploration......Page 49
    Planning the Gathering of Data......Page 50
    Initial Data Analysis (IDA)......Page 61
    Exploratory Data Analysis......Page 74
    Case Study: Credit Card Fraud......Page 86
    Summary......Page 91
    Sampling & Resampling Techniques......Page 92
    Introduction to Sampling......Page 93
    Sampling Terminology......Page 94
    Data Description......Page 99
    Pooled Mean and Variance......Page 101
    Business Implications of Sampling......Page 106
    Probability and Non-Probability Sampling......Page 107
    Statistical Theory on Sampling Distributions......Page 109
    Probability Sampling Techniques......Page 119
    ()......Page 152
    Monte Carlo Method: Acceptance-Rejection Method......Page 160
    Summary......Page 163
    Data Visualization in R......Page 164
    Introduction to the ggplot2 Package......Page 165
    Line Chart......Page 166
    Stacked Column Charts......Page 173
    Scatterplots......Page 180
    Boxplots......Page 181
    Histograms and Density Plots......Page 185
    Pie Charts......Page 190
    Correlation Plots......Page 193
    Heatmaps......Page 195
    Bubble Charts......Page 197
    Waterfall Charts......Page 202
    Dendogram......Page 205
    Wordclouds......Page 208
    Sankey Plots......Page 210
    Time Series Graphs......Page 211
    Cohort Diagrams......Page 214
    Spatial Maps......Page 216
    Summary......Page 221
    Feature Engineering......Page 223
    Introduction to Feature Engineering......Page 224
    Understanding the Data......Page 225
    Feature Ranking......Page 233
    Variable Subset Selection......Page 238
    Principal Component Analysis......Page 257
    Summary......Page 263
    Machine Learning Theory & Practice......Page 264
    Machine Learning Types......Page 267
    Groups of Machine Learning Algorithms......Page 269
    Real-World Datasets......Page 275
    Regression Analysis......Page 279
    Correlation Analysis......Page 282
    Support Vector Machine SVM......Page 343
    Decision Trees......Page 351
    The Naive Bayes Method......Page 387
    Cluster Analysis......Page 396
    Association Rule Mining......Page 416
    Artificial Neural Networks......Page 437
    Text-Mining Approaches......Page 459
    Online Machine Learning Algorithms......Page 484
    Model Building Checklist......Page 490
    Summary......Page 492
    Machine Learning Model Evaluation......Page 493
    Dataset......Page 494
    Introduction to Model Performance and Evaluation......Page 499
    Objectives of Model Performance Evaluation......Page 501
    Population Stability Index......Page 502
    Model Evaluation for Continuous Output......Page 508
    Model Evaluation for Discrete Output......Page 518
    Probabilistic Techniques......Page 530
    The Kappa Error Metric......Page 535
    Summary......Page 539
    Model Performance Improvement......Page 542
    Overview of the Caret Package......Page 544
    Introduction to Hyper-Parameters......Page 546
    Hyper-Parameter Optimization......Page 550
    The Bias and Variance Tradeoff......Page 568
    Introduction to Ensemble Learning......Page 573
    Ensemble Techniques Illustration in R......Page 579
    Advanced Topic: Bayesian Optimization of Machine Learning Models......Page 595
    Summary......Page 601
    Time Series Modeling......Page 603
    Components of Time Series......Page 604
    Test of Stationarity......Page 608
    ACF and AR Model......Page 612
    PACF and MA Model......Page 616
    ARIMA Model......Page 620
    Linear Regression with AR Errors......Page 629
    Summary......Page 634
    Scalable ML & related Technologies......Page 636
    Distributed Processing and Storage......Page 637
    The Hadoop Ecosystem......Page 645
    Machine Learning in R with Spark......Page 662
    Machine Learning in R with H2O......Page 668
    Summary......Page 672
    Deep Learning using Keras & TensorFlow......Page 673
    Introduction to Deep Learning......Page 674
    Deep Learning Architectures......Page 675
    Deep Learning Toolset......Page 680
    Use Case: Identify Duplicate Questions in Quora......Page 682
    Summary......Page 694
    Index......Page 695




    نظرات کاربران