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: Michael Bironneau
سری:
ISBN (شابک) : 9781838551650, 9781838550356
ناشر: Packt Publishing
سال نشر: 2019
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Machine Learning with Go Quick Start Guide 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 راهنمای شروع سریع Go 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.
راهنمای شروع سریع یادگیری ماشین با Go: تکنیکهای عملی برای ایجاد جریانهای کاری یادگیری ماشینی تحت نظارت و بدون نظارت این راهنمای شروع سریع خوانندگان را به یک سطح اساسی از درک در مورد چرخه عمر توسعه یادگیری ماشین (ML) میرساند، کتابخانههای Go ML را معرفی میکند و سپس روشهای رایج ML مانند طبقهبندی، رگرسیون و خوشهبندی را مثال میزند. ویژگی های کلیدی راهنمای مفید شما برای ایجاد گردش کار یادگیری ماشین در Go برای سناریوهای دنیای واقعی با استفاده از تکنیکهای معروف یادگیری ماشینی تحت نظارت و بدون نظارت، مدلهای پیشبینی بسازید همه چیز را در مورد استراتژی های استقرار بیاموزید و برنامه ML خود را از نمونه اولیه به تولید آماده کنید توضیحات کتاب یادگیری ماشین بخشی ضروری از دنیای داده محور امروزی است و به طور گسترده در صنایع از جمله پیش بینی مالی، روباتیک و فناوری وب استفاده می شود. این کتاب به شما یاد می دهد که چگونه به طور موثر برنامه های یادگیری ماشین را در Go توسعه دهید. کتاب با مقدمهای بر یادگیری ماشین و فرآیند توسعه آن شروع میشود و انواع مشکلاتی که هدف آن حل است و راهحلهایی که ارائه میدهد را توضیح میدهد. سپس راهاندازی یک محیط توسعه بدون اصطکاک Go، از جمله اجرای Go به صورت تعاملی با نوتبوکهای Jupyter را پوشش میدهد. در نهایت، تکنیک های رایج پردازش داده ها معرفی می شوند. سپس این کتاب تکنیکهای یادگیری تحت نظارت و بدون نظارت را از طریق مثالهای کار شده که شامل اجرای معیارهای ارزیابی است، به خواننده آموزش میدهد. این نمونه های کار شده از کتابخانه های منبع باز برجسته GoML و Gonum استفاده می کنند. این کتاب همچنین به خوانندگان می آموزد که چگونه یک مدل از پیش آموزش دیده را بارگذاری کنند و از آن برای پیش بینی استفاده کنند. سپس به سمت عملیاتی اجرای برنامههای یادگیری ماشینی میرود: استقرار، یکپارچهسازی مداوم، و توصیههای مفید برای ثبت و نظارت مؤثر. در پایان کتاب، خوانندگان یاد میگیرند که چگونه یک پروژه یادگیری ماشینی برای موفقیت راهاندازی کنند، معیارهای موفقیت واقعبینانه را فرموله کنند و الزامات تجاری را بهطور دقیق به موارد فنی ترجمه کنند. آنچه خواهید آموخت انواع مشکلاتی که یادگیری ماشین حل می کند و رویکردهای مختلف را درک کنید دادهها را با Go وارد کنید، پیش پردازش کنید و کاوش کنید تا برای الگوریتمهای یادگیری ماشین آماده شود داده ها را با gonum/plot و Gophernotes تجسم کنید مشکلات رایج یادگیری ماشین، مانند بیش از حد برازش و عدم تناسب را تشخیص دهید با استفاده از کتابخانه های Go، الگوریتم های یادگیری تحت نظارت و بدون نظارت را پیاده سازی کنید یک وب سرویس ساده پیرامون یک مدل بسازید و از آن برای پیش بینی استفاده کنید این کتاب برای چه کسی است این کتاب برای توسعه دهندگان و دانشمندان داده با حداقل دانش سطح مبتدی از Go، و ایده مبهم از انواع مشکلاتی است که یادگیری ماشینی قصد دارد با آن مقابله کند. هیچ دانش پیشرفته ای از Go (و هیچ درک نظری از ریاضیاتی که زیربنای یادگیری ماشینی است) مورد نیاز نیست.
Machine Learning with Go Quick Start Guide: Hands-on techniques for building supervised and unsupervised machine learning workflows This quick start guide will bring the readers to a basic level of understanding when it comes to the Machine Learning (ML) development lifecycle, will introduce Go ML libraries and then will exemplify common ML methods such as Classification, Regression, and Clustering Key Features Your handy guide to building machine learning workflows in Go for real-world scenarios Build predictive models using the popular supervised and unsupervised machine learning techniques Learn all about deployment strategies and take your ML application from prototype to production ready Book Description Machine learning is an essential part of today's data-driven world and is extensively used across industries, including financial forecasting, robotics, and web technology. This book will teach you how to efficiently develop machine learning applications in Go. The book starts with an introduction to machine learning and its development process, explaining the types of problems that it aims to solve and the solutions it offers. It then covers setting up a frictionless Go development environment, including running Go interactively with Jupyter notebooks. Finally, common data processing techniques are introduced. The book then teaches the reader about supervised and unsupervised learning techniques through worked examples that include the implementation of evaluation metrics. These worked examples make use of the prominent open-source libraries GoML and Gonum. The book also teaches readers how to load a pre-trained model and use it to make predictions. It then moves on to the operational side of running machine learning applications: deployment, Continuous Integration, and helpful advice for effective logging and monitoring. At the end of the book, readers will learn how to set up a machine learning project for success, formulating realistic success criteria and accurately translating business requirements into technical ones. What you will learn Understand the types of problem that machine learning solves, and the various approaches Import, pre-process, and explore data with Go to make it ready for machine learning algorithms Visualize data with gonum/plot and Gophernotes Diagnose common machine learning problems, such as overfitting and underfitting Implement supervised and unsupervised learning algorithms using Go libraries Build a simple web service around a model and use it to make predictions Who this book is for This book is for developers and data scientists with at least beginner-level knowledge of Go, and a vague idea of what types of problem Machine Learning aims to tackle. No advanced knowledge of Go (and no theoretical understanding of the math that underpins Machine Learning) is required.
Introducing Machine Leaning with Go Setting Up the Development Environment Supervised Learning Unsupervised Learning Using Pretrained Models Deploying Machine Learning Applications Conclusion - Successful ML Projects