Practical Machine Learning with H2O: Powerful, Scalable Techniques for Deep Learning and AI

یادگیری ماشین بالاخره به سن بلوغ رسید. با نرم‌افزار H2O، می‌توانید یادگیری ماشینی و تجزیه و تحلیل داده‌ها را با استفاده از یک چارچوب منبع باز ساده که استفاده از آن آسان است، دارای طیف گسترده‌ای از سیستم‌عامل و پشتیبانی زبان و مقیاس‌هایی برای داده‌های بزرگ است، انجام دهید. این راهنمای عملی به شما می آموزد که چگونه از H20 فقط با حداقل ریاضی و تئوری در پشت الگوریتم های یادگیری استفاده کنید.

اگر با R یا Python آشنایی دارید، کمی آمار را بدانید و تجربه دستکاری داشته باشید. داده‌ها، نویسنده دارن کوک شما را با اصول H2O آشنا می‌کند و به شما کمک می‌کند آزمایش‌های یادگیری ماشینی را روی مجموعه‌های داده‌های مختلف انجام دهید. چندین تکنیک مدرن یادگیری ماشینی مانند یادگیری عمیق، جنگل‌های تصادفی، یادگیری بدون نظارت، و یادگیری گروهی را بررسی خواهید کرد.

• با نحوه وارد کردن، دستکاری و صادرات داده‌ها با H2O
• کاوش مفاهیم کلیدی یادگیری ماشینی، مانند اعتبار سنجی متقابل و مجموعه داده های اعتبارسنجی
• کار با سه مجموعه داده متنوع، از جمله رگرسیون، طبقه بندی چند جمله ای، و طبقه بندی دو جمله ای
• از H2O برای تجزیه و تحلیل هر مجموعه داده نمونه با چهار الگوریتم یادگیری ماشینی نظارت شده استفاده کنید
• درک نحوه عملکرد تحلیل خوشه‌ای و سایر الگوریتم‌های یادگیری ماشینی بدون نظارت

Machine learning has finally come of age. With H2O software, you can perform machine learning and data analysis using a simple open source framework that’s easy to use, has a wide range of OS and language support, and scales for big data. This hands-on guide teaches you how to use H20 with only minimal math and theory behind the learning algorithms.

If you’re familiar with R or Python, know a bit of statistics, and have some experience manipulating data, author Darren Cook will take you through H2O basics and help you conduct machine-learning experiments on different sample data sets. You’ll explore several modern machine-learning techniques such as deep learning, random forests, unsupervised learning, and ensemble learning.

• Learn how to import, manipulate, and export data with H2O
• Explore key machine-learning concepts, such as cross-validation and validation data sets
• Work with three diverse data sets, including a regression, a multinomial classification, and a binomial classification
• Use H2O to analyze each sample data set with four supervised machine-learning algorithms
• Understand how cluster analysis and other unsupervised machine-learning algorithms work