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
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Gavin Hackeling سری: ISBN (شابک) : 9781783988365 ناشر: Packt Publishing سال نشر: 2014 تعداد صفحات: 238 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب Mastering Machine Learning with scikit-Learn: الگوریتم های یادگیری مؤثر را برای مشکلات دنیای واقعی با استفاده از scikit-Learn اعمال کنید: کتابخانه، ادبیات کامپیوتر، پایتون
در صورت تبدیل فایل کتاب Mastering Machine Learning with scikit-learn: Apply effective learning algorithms to real-world problems using scikit-learn 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 Mastering Machine Learning with scikit-Learn: الگوریتم های یادگیری مؤثر را برای مشکلات دنیای واقعی با استفاده از scikit-Learn اعمال کنید 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.
این کتاب به بررسی مدلهای یادگیری ماشینی از جمله رگرسیون لجستیک، درختهای تصمیمگیری و ماشینهای بردار پشتیبان میپردازد و آنها را برای مشکلات رایج مانند دستهبندی اسناد و طبقهبندی تصاویر به کار میبرد. با اصول یادگیری ماشین شروع می شود، شما را با طیف نظارت شده-بدون نظارت، استفاده از داده های آموزشی و آزمایشی و ارزیابی مدل ها آشنا می کند. شما یاد خواهید گرفت که چگونه از مدل های خطی تعمیم یافته در مسائل رگرسیون استفاده کنید و همچنین مشکلات را با متن و ویژگی های طبقه بندی حل کنید. شما با استفاده از رگرسیون لجستیک، منظم سازی و توابع مختلف زیان که توسط مدل های خطی تعمیم یافته استفاده می شود، آشنا خواهید شد. این کتاب همچنین شما را از طریق پروژه نمونه ای راهنمایی می کند که شما را وادار می کند تا نامشخص ترین نمونه های آموزشی را برچسب گذاری کنید. شما همچنین از یک مدل مارکوف پنهان بدون نظارت برای پیش بینی قیمت سهام استفاده خواهید کرد.
This book examines machine learning models including logistic regression, decision trees, and support vector machines, and applies them to common problems such as categorizing documents and classifying images. It begins with the fundamentals of machine learning, introducing you to the supervised-unsupervised spectrum, the uses of training and test data, and evaluating models. You will learn how to use generalized linear models in regression problems, as well as solve problems with text and categorical features. You will be acquainted with the use of logistic regression, regularization, and the various loss functions that are used by generalized linear models. The book will also walk you through an example project that prompts you to label the most uncertain training examples. You will also use an unsupervised Hidden Markov Model to predict stock prices.