دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Personalized Machine Learning
دانلود کتاب یادگیری ماشین شخصی سازی شده
مشخصات کتاب
Personalized Machine Learning
ویرایش:
نویسندگان: Julian McAuley
سری:
ISBN (شابک) : 1316518906, 9781316518908
ناشر: Cambridge University Press
سال نشر: 2022
تعداد صفحات: 350
[337]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Personalized 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 یادگیری ماشین شخصی سازی شده 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 یادگیری ماشین شخصی سازی شده
هر روز با سیستم‌های یادگیری ماشینی تعامل داریم که پیش‌بینی‌های فردی برای سرگرمی، ارتباطات اجتماعی، خرید یا سلامتی ما ارائه می‌دهند. اینها شامل چندین روش داده، از توالی کلیک ها گرفته تا متن، تصاویر، و تعاملات اجتماعی است. این کتاب اصول و روش‌های رایجی را معرفی می‌کند که زیربنای طراحی مدل‌های پیش‌بینی شخصی‌شده برای تنظیمات و روش‌های مختلف است. این کتاب با بازنگری در مدل‌های یادگیری ماشین «سنتی» شروع می‌شود و بر تطبیق آن‌ها با تنظیمات مربوط به داده‌های کاربر تمرکز می‌کند، سپس تکنیک‌هایی را بر اساس اصول پیشرفته‌ای مانند فاکتورسازی ماتریس، یادگیری عمیق و مدل‌سازی تولیدی ارائه می‌کند و با مطالعه دقیق پیامدها به پایان می‌رسد. و خطرات استقرار سیستم های پیش بینی شخصی شده. مجموعه‌ای از مطالعات موردی در حوزه‌های مختلف از تجارت الکترونیک تا سلامت به‌علاوه پروژه‌های عملی و نمونه‌های کد به خوانندگان درک و تجربه با مجموعه داده‌های دنیای واقعی در مقیاس بزرگ و توانایی طراحی مدل‌ها و سیستم‌ها برای طیف وسیعی از کاربردها را می‌دهد. .
توضیحاتی درمورد کتاب به خارجی
Every day we interact with machine learning systems offering individualized predictions for our entertainment, social connections, purchases, or health. These involve several modalities of data, from sequences of clicks to text, images, and social interactions. This book introduces common principles and methods that underpin the design of personalized predictive models for a variety of settings and modalities. The book begins by revising 'traditional' machine learning models, focusing on adapting them to settings involving user data, then presents techniques based on advanced principles such as matrix factorization, deep learning, and generative modeling, and concludes with a detailed study of the consequences and risks of deploying personalized predictive systems. A series of case studies in domains ranging from e-commerce to health plus hands-on projects and code examples will give readers understanding and experience with large-scale real-world datasets and the ability to design models and systems for a wide range of applications.
فهرست مطالب
00.0 01.0_pp_i_iv_Frontmatter 02.0_pp_v_viii_Contents 03.0_pp_ix_x_Preface 04.0_pp_1_16_Introduction 05.0_pp_17_18_Machine_Learning_Primer 05.1_pp_19_48_Regression_and_Feature_Engineering 05.2_pp_49_78_Classification_and_the_Learning_Pipeline 06.0_pp_79_80_Fundamentals_of_Personalized_Machine_Learning 06.1_pp_81_103_Introduction_to_Recommender_Systems 06.2_pp_104_143_Model-Based_Approaches_to_Recommendation 06.3_pp_144_176_Content_and_Structure_in_Recommender_Systems 06.4_pp_177_216_Temporal_and_Sequential_Models 07.0_pp_217_218_Emerging_Directions_in_Personalized_Machine_Learning 07.1_pp_219_251_Personalized_Models_of_Text 07.2_pp_252_272_Personalized_Models_of_Visual_Data 07.3_pp_273_305_The_Consequences_of_Personalized_Machine_Learning 08.0_pp_306_321_References 09.0_pp_322_326_Index
