مشخصات کتاب

Mastering .NET Machine Learning

ویرایش:  
نویسندگان: Jamie Dixon  
سری:  
ISBN (شابک) : 9781785888403 
ناشر: Packt 
سال نشر: 2016 
تعداد صفحات: 343 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

در صورت تبدیل فایل کتاب Mastering .NET Machine Learning 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 تسلط بر یادگیری ماشین دات نت 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 تسلط بر یادگیری ماشین دات نت

بر هنر یادگیری ماشینی با دات نت مسلط شوید و بینش خود را در مورد برنامه های کاربردی دنیای واقعی کسب کنید. آشنایی کاربر با برخی از کتابخانه‌های دات‌نت رایج‌تر برای یادگیری ماشین - پیاده‌سازی چندین تکنیک رایج یادگیری ماشینی - ارزیابی، بهینه‌سازی و تنظیم مدل‌های یادگیری ماشین. . درک پایه ای از علم داده مورد نیاز است. آنچه یاد خواهید گرفت- برنامه ها و آزمایش های یادگیری ماشین خود را با استفاده از آخرین فریم ورک دات نت، از جمله NET Core 1.0 بنویسید- برنامه تجاری خود را برای شروع استفاده از یادگیری ماشینی تنظیم کنید.- پیش بینی دقیق آینده با استفاده از رگرسیون ها.- الگوهای پنهان را با استفاده از درخت های تصمیم کشف کنید.- مجموعه های داده را به دست آورید، آماده کنید و ترکیب کنید تا بینش ایجاد کنید.- توان عملیاتی کسب و کار را با استفاده از طبقه بندی بیز بهینه کنید.- الگوهای پنهان (بیشتر) را با استفاده از KNN و Naive Bayes کشف کنید.- کشف کنید (حتی بیشتر ) الگوهای پنهان با استفاده از K-Means و PCA.- از شبکه های عصبی برای بهبود تصمیم گیری تجاری در حین استفاده از آخرین فناوری های ASP.NET استفاده کنید.- کاوش در "داده های بزرگ"، محاسبات توزیع شده، و نحوه استقرار مدل های یادگیری ماشین در دستگاه های اینترنت اشیا - ساخت خودآموزی و تطبیق ماشین‌ها- در طول مسیر، درباره Open Data، نقشه‌های Bing و MBraceIn Detail.Net یکی از پلتفرم‌های پرکاربرد برای توسعه برنامه‌ها است. با افزایش چشمگیر یادگیری ماشینی، توسعه دهندگان اکنون مشتاق هستند تا دریابند چگونه می توانند برنامه های .Net خود را هوشمندتر کنند. همچنین، توسعه‌دهندگان دات‌نت علاقه‌مند هستند به دنیای دستگاه‌ها و نحوه استفاده از تکنیک‌های یادگیری ماشینی روی ماشین‌ها حرکت کنند. این کتاب مملو از نمونه‌های واقعی است تا به راحتی از تکنیک‌های یادگیری ماشین در برنامه‌های تجاری خود استفاده کنید. شما با مقدمه ای با F# شروع می کنید و خود را برای یادگیری ماشین با استفاده از فریم ورک دات نت آماده می کنید. شما یک مدل رگرسیون خطی ساده را با استفاده از مثالی می نویسید که فروش یک محصول را پیش بینی می کند. با تشکیل یک پایه با مدل رگرسیون، شروع به استفاده از کتابخانه های یادگیری ماشینی موجود در چارچوب دات نت مانند Math.NET، Numl.NET و Accord.NET با کمک یک برنامه نمونه خواهید کرد. سپس به نوشتن رگرسیون های خطی متعدد و رگرسیون های لجستیک ادامه خواهید داد. داده های باز و عالی بودن ارائه دهندگان نوع را خواهید آموخت. در مرحله بعد، شما می خواهید به برخی از مسائلی که تا به حال به آنها اشاره کرده ایم بپردازید و در به دست آوردن، تمیز کردن و سازماندهی داده های ما به عمق بپردازید. شما ابزار ساخت یک مدل KNN و Naive Bayes را برای دستیابی به بهترین نتایج ممکن مقایسه خواهید کرد. پیاده‌سازی Kmeans و PCA با استفاده از کتابخانه‌های Accord.NET و Numl.NET با کمک یک برنامه کاربردی نمونه پوشش داده شده است. سپس به بسیاری از مسائلی که با ایجاد مدل‌های یادگیری ماشین در دنیای واقعی روبه‌رو هستند، مانند اضافه کردن و نحوه مبارزه با آن‌ها با استفاده از ماتریس‌های سردرگمی، مقیاس‌بندی، عادی‌سازی و انتخاب ویژگی‌ها، نگاه می‌کنیم. اکنون وارد دنیای شبکه های عصبی خواهید شد و خط برنامه تجاری خود را به یک برنامه علمی ترکیبی منتقل خواهید کرد. بعد از اینکه تمام مدل‌های یادگیری ماشین فوق را پوشش دادید، نحوه برخورد با مجموعه داده‌های بسیار بزرگ را با استفاده از MBrace و نحوه استقرار مدل‌های یادگیری ماشینی در دستگاه‌های اینترنت اشیا (IoT) خواهید دید تا ماشین بتواند به سرعت یاد بگیرد و سازگار شود. سبک و رویکرد این کتاب شما را در یادگیری همه چیز در مورد چگونگی مقابله با سیل داده‌هایی که این روزها در برنامه‌های NET خود با آن مواجه می‌شوید با کمک کتابخانه‌های معروف یادگیری ماشینی ارائه شده توسط فریمورک دات‌نت راهنمایی می‌کند.

توضیحاتی درمورد کتاب به خارجی

Master the art of machine learning with .NET and gain insight into real-world applicationsAbout This Book- Based on .NET framework 4.6.1, includes examples on ASP.NET Core 1.0- Set up your business application to start using machine learning techniques- Familiarize the user with some of the more common .NET libraries for machine learning- Implement several common machine learning techniques- Evaluate, optimize and adjust machine learning modelsWho This Book Is ForThis book is targeted at .Net developers who want to build complex machine learning systems. Some basic understanding of data science is required.What You Will Learn- Write your own machine learning applications and experiments using the latest .NET framework, including .NET Core 1.0- Set up your business application to start using machine learning.- Accurately predict the future using regressions.- Discover hidden patterns using decision trees.- Acquire, prepare, and combine datasets to drive insights.- Optimize business throughput using Bayes Classifier.- Discover (more) hidden patterns using KNN and Naive Bayes.- Discover (even more) hidden patterns using K-Means and PCA.- Use Neural Networks to improve business decision making while using the latest ASP.NET technologies.- Explore "Big Data", distributed computing, and how to deploy machine learning models to IoT devices - making machines self-learning and adapting- Along the way, learn about Open Data, Bing maps, and MBraceIn Detail.Net is one of the widely used platforms for developing applications. With the meteoric rise of Machine learning, developers are now keen on finding out how can they make their .Net applications smarter. Also, .NET developers are interested into moving into the world of devices and how to apply machine learning techniques to, well, machines.This book is packed with real-world examples to easily use machine learning techniques in your business applications. You will begin with introduction to F# and prepare yourselves for machine learning using .NET framework. You will be writing a simple linear regression model using an example which predicts sales of a product. Forming a base with the regression model, you will start using machine learning libraries available in .NET framework such as Math.NET, Numl.NET and Accord.NET with the help of a sample application. You will then move on to writing multiple linear regressions and logistic regressions.You will learn what is open data and the awesomeness of type providers. Next, you are going to address some of the issues that we have been glossing over so far and take a deep dive into obtaining, cleaning, and organizing our data. You will compare the utility of building a KNN and Naive Bayes model to achieve best possible results.Implementation of Kmeans and PCA using Accord.NET and Numl.NET libraries is covered with the help of an example application. We will then look at many of issues confronting creating real-world machine learning models like overfitting and how to combat them using confusion matrixes, scaling, normalization, and feature selection. You will now enter into the world of Neural Networks and move your line of business application to a hybrid scientific application. After you have covered all the above machine learning models, you will see how to deal with very large datasets using MBrace and how to deploy machine learning models to Internet of Thing (IoT) devices so that the machine can learn and adapt on the fly. Style and approach This book will guide you in learning everything about how to tackle the flood of data being encountered these days in your .NET applications with the help of popular machine learning libraries offered by the .NET framework.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Email and Commercial Correspondence: A Guide to Professional English

دانلود کتاب Internalism and Externalism in Semantics and Epistemology

دانلود کتاب BarCharts QuickStudy Business Terminology

دانلود کتاب Toll-like Receptors in Health and Disease

دانلود کتاب Lakeshore music presents Down at Gilley's