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: Dr Ruchi Doshi, Dr Kamal Kant Hiran, Ritesh Kumar Jain, Dr Kamlesh Lakhwani سری: ISBN (شابک) : 9391392350, 9789391392352 ناشر: BPB Publications سال نشر: 2021 تعداد صفحات: 294 [610] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) 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: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) 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.
مفاهیم یادگیری ماشین با رویکردهای عملی.
ویژگیهای کلیدی
● شامل مثالهای سناریوی واقعی برای توضیح عملکرد الگوریتمهای
یادگیری ماشین است.
● شامل نمایشهای آماری و گرافیکی برای سادهسازی مدلسازی
یادگیری ماشین و شبکههای عصبی است.
● مملو از کدهای پایتون، تمرینهای متعدد و نمونه سوالات برای دانشجویان علوم داده.
توضیح
این کتاب مفاهیم اساسی یادگیری ماشینی را به خوانندگان ارائه می
دهد. تکنیک ها به زبان کاربر پسند هدف این کتاب ارائه دانش عمیق
در مورد الگوریتمهای مختلف یادگیری ماشین (ML) و اجرای عملی
رویکردهای مختلف ML است.
این کتاب الگوریتمهای مختلف یادگیری ماشینی تحت نظارت را پوشش میدهد. به عنوان مدل رگرسیون خطی، درخت تصمیم طبقهبندیکننده ساده بیز، K-نزدیکترین همسایه، رگرسیون لجستیک، ماشین بردار پشتیبان، الگوریتمهای جنگل تصادفی، الگوریتمهای یادگیری ماشینی نظارتنشده مانند خوشهبندی k-means، خوشهبندی سلسله مراتبی، خوشهبندی قاعدههای احتمالی Aori، ، الگوریتم رشد f-p، مدل مخلوط گاوسی و الگوریتم یادگیری تقویتی مانند فرآیند تصمیم گیری مارکوف (MDP)، معادلات بلمن، ارزیابی خط مشی با استفاده از مونت کارلو، تکرار خط مشی و تکرار ارزش، یادگیری Q، حالت-عمل-پاداش-حالت-عمل ( سارسا). همچنین شامل استخراج ویژگیهای مختلف و تکنیکهای انتخاب ویژگی، سیستم توصیهکننده، و یک نمای کلی از یادگیری عمیق است.
آنچه میخواهید یادگیری
● تکنیکهای استخراج ویژگی و انتخاب ویژگی را انجام دهید.
● انتخاب بهترین الگوریتم یادگیری ماشینی برای یک مسئله معین را
بیاموزید.
● در استفاده از کتابخانههای محبوب Python مانند Scikit-learn،
پانداها، و matplotlib سنگری به دست آورید.
● نحوه پیادهسازی انواع مختلف تکنیکهای یادگیری ماشین را تمرین کنید.< /p>
این کتاب برای چه کسی است
این کتاب برای علم داده طراحی شده است دانشجویان تحلیلی، دانشگاهیان و محققانی که می خواهند مفاهیم یادگیری ماشینی را کشف کنند و درک موارد واقعی را تمرین کنند. دانستن مفاهیم اولیه آماری و برنامه نویسی خوب است، اگرچه اجباری نیست.
فهرست محتوا
</ p>
1. مقدمه
2. الگوریتم های یادگیری تحت نظارت
3. یادگیری بدون نظارت
4. مقدمه ای بر نظریه یادگیری آماری
5. یادگیری نیمه نظارتی و یادگیری تقویتی
6. سیستم های پیشنهادی
درباره نویسندگان
دکتر روچی دوشی< /b> بیش از 14 سال تجربه آکادمیک، تحقیقاتی و توسعه نرم افزار در آسیا و آفریقا دارد. در حال حاضر، او به عنوان ناظر تحقیقاتی در دانشگاه آزتکا، مکزیک، و به عنوان یک هیئت علمی کمکی در دانشگاه زنان جیوتی ویدیاپیث، جیپور، راجستان، هند مشغول به کار است.
کمال کانت هیران به عنوان استادیار، دانشکده مهندسی در
دانشگاه سر پادامپات سینگانیا (SPSU)، اودایپور کار می کند. ،
راجستان، هند و همچنین یک محقق در دانشگاه آلبورگ، کپنهاگ،
دانمارک. او مدال طلای M.Tech است. (شماها). او بیش از 16 سال
تجربه به عنوان آکادمیک و محقق در آسیا، آفریقا و اروپا
دارد.
Ritesh Kumar Jain به عنوان استادیار کار می کند. در
موسسه مطالعات فنی Geetanjali، (GITS)، اودایپور، راجستان، هند.
وی بیش از 15 سال سابقه تدریس و پژوهش دارد.
دکتر کاملش لخوانیبه عنوان دانشیار در رشته علوم کامپیوتر کار می کند
Concepts of Machine Learning with Practical Approaches.
Key Features
● Includes real-scenario examples to explain the working of
Machine Learning algorithms.
● Includes graphical and statistical representation to
simplify modeling Machine Learning and Neural Networks.
● Full of Python codes, numerous exercises, and model question papers for data science students.
Description
The book offers the readers the fundamental concepts of
Machine Learning techniques in a user-friendly language. The
book aims to give in-depth knowledge of the different Machine
Learning (ML) algorithms and the practical implementation of
the various ML approaches.
This book covers different Supervised Machine Learning algorithms such as Linear Regression Model, Naïve Bayes classifier Decision Tree, K-nearest neighbor, Logistic Regression, Support Vector Machine, Random forest algorithms, Unsupervised Machine Learning algorithms such as k-means clustering, Hierarchical Clustering, Probabilistic clustering, Association rule mining, Apriori Algorithm, f-p growth algorithm, Gaussian mixture model and Reinforcement Learning algorithm such as Markov Decision Process (MDP), Bellman equations, policy evaluation using Monte Carlo, Policy iteration and Value iteration, Q-Learning, State-Action-Reward-State-Action (SARSA). It also includes various feature extraction and feature selection techniques, the Recommender System, and a brief overview of Deep Learning.
What you will learn
● Perform feature extraction and feature selection
techniques.
● Learn to select the best Machine Learning algorithm for a
given problem.
● Get a stronghold in using popular Python libraries like
Scikit-learn, pandas, and matplotlib.
● Practice how to implement different types of Machine Learning techniques.
Who this book is for
This book is designed for data science and analytics students, academicians, and researchers who want to explore the concepts of machine learning and practice the understanding of real cases. Knowing basic statistical and programming concepts would be good, although not mandatory.
Table of Contents
1. Introduction
2. Supervised Learning Algorithms
3. Unsupervised Learning
4. Introduction to the Statistical Learning Theory
5. Semi-Supervised Learning and Reinforcement Learning
6. Recommended Systems
About the Authors
Dr Ruchi Doshi has more than 14 years of academic, research, and software development experience in Asia and Africa. Currently, she is working as a research supervisor at the Azteca University, Mexico, and as an adjunct faculty at the Jyoti Vidyapeeth Women’s University, Jaipur, Rajasthan, India.
Kamal Kant Hiran works as an Assistant Professor,
School of Engineering at the Sir Padampat Singhania
University (SPSU), Udaipur, Rajasthan, India as well as a
Research Fellow at the Aalborg University, Copenhagen,
Denmark. He is a Gold Medalist in M.Tech. (Hons.). He has
more than 16 years of experience as an academic and
researcher in Asia, Africa, and Europe.
Ritesh Kumar Jain works as an Assistant Professor, at
the Geetanjali Institute of Technical Studies, (GITS),
Udaipur, Rajasthan, India. He has more than 15 years of
teaching and research experience.
Dr. Kamlesh Lakhwani works as an Associate Professor, in Computer Science & Engineering at JECRC University Jaipur, Rajasthan, India. He has an excellent academic background and a rich experience of 15 years as an academician and researcher in Asia.