دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Practical Machine Learning in R
دانلود کتاب آموزش عملی ماشین در R
مشخصات کتاب
Practical Machine Learning in R
ویرایش: [1 ed.]
نویسندگان: Fred Nwanganga. Mike Chapple
سری:
ISBN (شابک) : 9781119591573
ناشر: Wiley
سال نشر: 2020
تعداد صفحات: 464
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 22 Mb
قیمت کتاب (تومان) : 50,000
در صورت تبدیل فایل کتاب Practical Machine Learning in R 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 آموزش عملی ماشین در R 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 آموزش عملی ماشین در R
با مثال‌های عملی در زبان برنامه‌نویسی محبوب R، متخصصان و دانش‌آموزان را در زمینه رشد سریع یادگیری ماشین راهنمایی می‌کند. یادگیری ماشین - شاخه‌ای از هوش مصنوعی (AI) که رایانه‌ها را قادر می‌سازد تا نتایج خود را بهبود بخشند و رویکردهای جدید را بدون دستورالعمل‌های صریح بیاموزند - به سازمان‌ها اجازه می‌دهد تا الگوهایی را در داده‌های خود آشکار کنند و تجزیه و تحلیل پیش‌بینی‌کننده را در فرآیند تصمیم‌گیری خود بگنجانند. یادگیری ماشین عملی در R یک رویکرد عملی برای حل مشکلات تجاری با الگوریتم‌های کامپیوتری هوشمند و خودآموز ارائه می‌دهد. نویسنده پرفروش و متخصصان تجزیه و تحلیل داده فرد نوانگانگا و مایک چاپل توضیح می‌دهند که یادگیری ماشین چیست، مزایای سازمانی آن را نشان می‌دهند و نمونه‌های عملی ایجاد شده در زبان برنامه‌نویسی R را ارائه می‌دهند. این کتاب خواننده‌پسند، راهنمای کاملی برای زبان‌آموزان یا دانش‌آموزان حرفه‌ای خودآموخته در دوره یادگیری ماشینی مقدماتی، کاربردهای بی‌شمار کسب‌وکار در دنیای واقعی از رویکردهای یادگیری ماشین را نشان می‌دهد. فصل‌های واضح و دقیق، مشاجره داده‌ها، برنامه‌نویسی R با ابزار محبوب RStudio، تکنیک‌های طبقه‌بندی و رگرسیون، ارزیابی عملکرد و موارد دیگر را پوشش می‌دهند. تکنیک های مدیریت داده ها از جمله جمع آوری داده ها، کاوش و کاهش ابعاد را بررسی می کند یادگیری بدون نظارت را پوشش می‌دهد، جایی که خوانندگان الگوها را با استفاده از رویکردهایی مانند apriori، eclat و خوشه‌بندی شناسایی و خلاصه می‌کنند. اصول پشت تکنیک های طبقه بندی Nearest Neighbor، Decision Tree و Naive Bayes را شرح می دهد. نحوه ارزیابی و انتخاب مدل مناسب و همچنین نحوه بهبود عملکرد مدل با استفاده از روش‌های گروهی مانند Random Forest و XGBoost را توضیح می‌دهد. یادگیری ماشین عملی در R یک راهنمای ضروری برای تحلیلگران کسب و کار، دانشمندان داده و سایر متخصصان علاقه مند به استفاده از قدرت هوش مصنوعی برای حل مشکلات تجاری و همچنین دانش آموزان و زبان آموزان مستقلی است که به دنبال ورود به این حوزه هستند.
توضیحاتی درمورد کتاب به خارجی
Guides professionals and students through the rapidly growing field of machine learning with hands-on examples in the popular R programming language Machine learning―a branch of Artificial Intelligence (AI) which enables computers to improve their results and learn new approaches without explicit instructions―allows organizations to reveal patterns in their data and incorporate predictive analytics into their decision-making process. Practical Machine Learning in R provides a hands-on approach to solving business problems with intelligent, self-learning computer algorithms. Bestselling author and data analytics experts Fred Nwanganga and Mike Chapple explain what machine learning is, demonstrate its organizational benefits, and provide hands-on examples created in the R programming language. A perfect guide for professional self-taught learners or students in an introductory machine learning course, this reader-friendly book illustrates the numerous real-world business uses of machine learning approaches. Clear and detailed chapters cover data wrangling, R programming with the popular RStudio tool, classification and regression techniques, performance evaluation, and more. Explores data management techniques, including data collection, exploration and dimensionality reduction Covers unsupervised learning, where readers identify and summarize patterns using approaches such as apriori, eclat and clustering Describes the principles behind the Nearest Neighbor, Decision Tree and Naive Bayes classification techniques Explains how to evaluate and choose the right model, as well as how to improve model performance using ensemble methods such as Random Forest and XGBoost Practical Machine Learning in R is a must-have guide for business analysts, data scientists, and other professionals interested in leveraging the power of AI to solve business problems, as well as students and independent learners seeking to enter the field.
