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: Wee Hyong Tok, Amit Bahree, Senja Filipi سری: ISBN (شابک) : 1492077062, 9781492077060 ناشر: O'Reilly Media سال نشر: 2021 تعداد صفحات: 192 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Practical Weak Supervision: Doing More with Less Data 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 نظارت ضعیف عملی: انجام کارهای بیشتر با داده های کمتر 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.
اکثر دانشمندان و مهندسان داده امروزه برای آموزش مدلهای یادگیری ماشین به دادههای برچسبگذاری شده با کیفیت تکیه میکنند. اما ساخت یک مجموعه آموزشی به صورت دستی زمان بر و پرهزینه است و بسیاری از شرکت ها را با پروژه های ML ناتمام رها می کند. یک رویکرد عملی تری وجود دارد. در این کتاب، وی هیونگ توک، آمیت باهری، و سنجا فیلیپی به شما نشان میدهند که چگونه با استفاده از مدلهای یادگیری با نظارت ضعیف، محصولات ایجاد کنید.
شما یاد خواهید گرفت که چگونه با استفاده از برچسب ضعیف، پروژههای پردازش زبان طبیعی و بینایی کامپیوتری بسازید. مجموعههای داده از Snorkel، فرعی از آزمایشگاه هوش مصنوعی استانفورد. از آنجایی که بسیاری از شرکتها پروژههای ML را دنبال کردهاند که هرگز فراتر از آزمایشگاههای آنها نمیروند، این کتاب همچنین راهنمای نحوه ارسال مدلهای یادگیری عمیقی را که میسازید ارائه میکند.
Most data scientists and engineers today rely on quality labeled data to train machine learning models. But building a training set manually is time-consuming and expensive, leaving many companies with unfinished ML projects. There's a more practical approach. In this book, Wee Hyong Tok, Amit Bahree, and Senja Filipi show you how to create products using weakly supervised learning models.
You'll learn how to build natural language processing and computer vision projects using weakly labeled datasets from Snorkel, a spin-off from the Stanford AI Lab. Because so many companies have pursued ML projects that never go beyond their labs, this book also provides a guide on how to ship the deep learning models you build.