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 MASTERING MACHINE LEARNING ALGORITHMS.

دانلود کتاب تسلط بر الگوریتم های یادگیری ماشین.

MASTERING MACHINE LEARNING ALGORITHMS.

مشخصات کتاب

MASTERING MACHINE LEARNING ALGORITHMS.

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781788621113, 1788621115 
ناشر: PACKT PUBLISHING LIMITED 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 94 مگابایت 

قیمت کتاب (تومان) : 54,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب MASTERING MACHINE LEARNING ALGORITHMS. 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 الگوریتم های یادگیری ماشین. 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 الگوریتم های یادگیری ماشین.

مهم‌ترین الگوریتم‌ها را برای حل مسائل پیچیده یادگیری ماشینی کاوش و تسلط پیدا کنید. درباره این کتاب الگوریتم‌های یادگیری ماشینی با کارایی بالا را کشف کنید و نحوه عملکرد آنها را عمیقاً درک کنید. راه حل یک مرحله ای برای تسلط بر الگوریتم های یادگیری ماشینی تحت نظارت، بدون نظارت و نیمه نظارت و اجرای آنها. مفاهیم اصلی مرتبط با تنظیم الگوریتم، بهینه سازی پارامترها و موارد دیگر این کتاب منبع محتوای ایده آل و مرتبطی برای متخصصان علوم داده است که می خواهند الگوریتم های پیچیده یادگیری ماشین را بررسی کنند، مدل ها را کالیبره کنند، و پیش بینی های مربوطه را بهبود بخشند. مدل آموزش دیده برای کسب بهترین نتیجه از این راهنما، دانش اولیه یادگیری ماشین ترجیح داده می شود. آنچه خواهید آموخت بررسی کنید که چگونه یک مدل ML را می توان آموزش، بهینه سازی و ارزیابی کرد درک نحوه ایجاد و یادگیری مدل های احتمالی ایستا و پویا خوشه بندی موفقیت آمیز داده های با ابعاد بالا و ارزیابی دقت مدل کشف نحوه عملکرد شبکه های عصبی مصنوعی و نحوه آموزش، بهینه سازی و آنها را تأیید کنید. کار با رمزگذارهای خودکار و شبکه‌های متخاصم مولد اعمال گسترش و انتشار برچسب در مجموعه داده‌های بزرگ. مهم‌ترین تکنیک‌های یادگیری تقویتی را با جزئیات کاوش کنید یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که هدف آن هوشمندتر و هوشمندتر کردن سیستم‌های کامپیوتری امروزی است. قدرت واقعی یادگیری ماشینی در الگوریتم‌های آن نهفته است، که حتی سخت‌ترین چیزها را می‌توانند توسط ماشین‌ها مدیریت کنند. با این حال، با پیشرفت در فناوری و الزامات داده، ماشین‌ها باید هوشمندتر از امروز باشند تا نیازهای داده‌ای را برآورده کنند. تسلط بر این الگوریتم ها و استفاده بهینه از آنها نیاز روز است. تسلط بر الگوریتم های یادگیری ماشین راهنمای کامل شما برای دستیابی سریع به الگوریتم های یادگیری ماشینی محبوب است. شما با پرکاربردترین الگوریتم ها در یادگیری ماشینی تحت نظارت، بدون نظارت و نیمه نظارت آشنا خواهید شد و نحوه استفاده از آنها را به بهترین شکل ممکن خواهید آموخت. از مدل‌های بیزی گرفته تا الگوریتم MCMC تا مدل‌های مارکوف پنهان، این کتاب به شما می‌آموزد که چگونه ویژگی‌ها را از مجموعه داده خود استخراج کنید و با استفاده از کتابخانه‌های مبتنی بر پایتون مانند scikit-learn، کاهش ابعاد را انجام دهید. همچنین یاد خواهید گرفت که چگونه از Keras و TensorFlow برای آموزش شبکه های عصبی موثر استفاده کنید. اگر به دنبال یک منبع واحد برای مطالعه، پیاده سازی و حل مشکلات یادگیری ماشینی سرتاسر هستید...


توضیحاتی درمورد کتاب به خارجی

Explore and master the most important algorithms for solving complex machine learning problems. About This Book Discover high-performing machine learning algorithms and understand how they work in depth. One-stop solution to mastering supervised, unsupervised, and semi-supervised machine learning algorithms and their implementation. Master concepts related to algorithm tuning, parameter optimization, and more Who This Book Is For This book is an ideal and relevant source of content for data science professionals who want to delve into complex machine learning algorithms, calibrate models, and improve the predictions of the trained model. A basic knowledge of machine learning is preferred to get the best out of this guide. What You Will Learn Explore how a ML model can be trained, optimized, and evaluated Understand how to create and learn static and dynamic probabilistic models Successfully cluster high-dimensional data and evaluate model accuracy Discover how artificial neural networks work and how to train, optimize, and validate them Work with Autoencoders and Generative Adversarial Networks Apply label spreading and propagation to large datasets Explore the most important Reinforcement Learning techniques In Detail Machine learning is a subset of AI that aims to make modern-day computer systems smarter and more intelligent. The real power of machine learning resides in its algorithms, which make even the most difficult things capable of being handled by machines. However, with the advancement in the technology and requirements of data, machines will have to be smarter than they are today to meet the overwhelming data needs; mastering these algorithms and using them optimally is the need of the hour. Mastering Machine Learning Algorithms is your complete guide to quickly getting to grips with popular machine learning algorithms. You will be introduced to the most widely used algorithms in supervised, unsupervised, and semi-supervised machine learning, and will learn how to use them in the best possible manner. Ranging from Bayesian models to the MCMC algorithm to Hidden Markov models, this book will teach you how to extract features from your dataset and perform dimensionality reduction by making use of Python-based libraries such as scikit-learn. You will also learn how to use Keras and TensorFlow to train effective neural networks. If you are looking for a single resource to study, implement, and solve end-to-end machine learning problems...



فهرست مطالب

Table of ContentsMachine Learning Model Fundamentals Introduction to Semi-Supervised Learning Graph-based Semi-Supervised Learning Bayesian Networks and Hidden Markov Models EM algorithm and applications Hebbian Learning Advanced Clustering and Feature Extraction Ensemble Learning Neural Networks for Machine Learning Advanced Neural Models Auto-Encoders Generative Adversarial Networks Deep Belief NetworksIntroduction to Reinforcement Learning Policy estimation algorithms




نظرات کاربران