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: [1 ed.]
نویسندگان: Vaibhav Verdhan
سری:
ناشر: Manning
سال نشر: 2023
تعداد صفحات: [315]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Mastering Unlabeled Data (MEAP V5) 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 داده های بدون برچسب (MEAP V5) 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.
پیادهسازیهای کاملاً عملی الگوریتمها و مدلهای کلیدی برای مدیریت دادههای بدون برچسب را کشف کنید. پر از مطالعات موردی که نشان می دهد چگونه هر تکنیک را برای مشکلات دنیای واقعی به کار ببرید. در تسلط بر داده های بدون برچسب می آموزید: بلوک های ساختمانی و مفاهیم اساسی یادگیری ماشین و یادگیری بدون نظارت پاکسازی داده ها برای داده های ساختاریافته و بدون ساختار مانند متن و تصاویر خوشه بندی سری های زمانی بدون نظارت، مدل های گاوسی مخلوط و روش های آماری ساخت شبکه های عصبی مانند GAN و رمزگذار خودکار نحوه تفسیر نتایج یادگیری بدون نظارت انتخاب الگوریتم مناسب برای مشکل بکارگیری یادگیری بدون نظارت در تولید موارد استفاده تجاری برای یادگیری ماشین و یادگیری بدون نظارت
Discover all-practical implementations of the key algorithms and models for handling unlabeled data. Full of case studies demonstrating how to apply each technique to real-world problems. In Mastering Unlabeled Data you’ll learn: Fundamental building blocks and concepts of machine learning and unsupervised learning Data cleaning for structured and unstructured data like text and images Unsupervised time series clustering, Gaussian Mixture models, and statistical methods Building neural networks such as GANs and autoencoders How to interpret the results of unsupervised learning Choosing the right algorithm for your problem Deploying unsupervised learning to production Business use cases for machine learning and unsupervised learning