ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Predictive Analytics with Microsoft Azure Machine Learning

دانلود کتاب تجزیه و تحلیل پیش بینی با یادگیری ماشینی Microsoft Azure

Predictive Analytics with Microsoft Azure Machine Learning

مشخصات کتاب

Predictive Analytics with Microsoft Azure Machine Learning

دسته بندی: سیستم های عامل
ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 9781484212011, 9781484212004 
ناشر: Apress 
سال نشر: 2015 
تعداد صفحات: 303 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 19 مگابایت

قیمت کتاب (تومان) : 47,000



کلمات کلیدی مربوط به کتاب تجزیه و تحلیل پیش بینی با یادگیری ماشینی Microsoft Azure: علوم کامپیوتر، عمومی، داده کاوی و کشف دانش



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Predictive Analytics with Microsoft Azure 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 تجزیه و تحلیل پیش بینی با یادگیری ماشینی Microsoft Azure 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 تجزیه و تحلیل پیش بینی با یادگیری ماشینی Microsoft Azure

پیش بینی تجزیه و تحلیل با Microsoft Azure Machine Learning، نسخه دوم یک مقدمه آموزشی کاربردی در زمینه علم داده و یادگیری ماشین است، با تمرکز بر ساخت و استقرار مدل های پیش بینی. این کتاب یک نمای کلی از سرویس یادگیری ماشینی Microsoft Azure ارائه می‌کند که در 18 فوریه 2015 در دسترس عموم قرار گرفت، همراه با راهنمایی‌های عملی برای توصیه‌کنندگان، مدل‌های تمایل، و مدل‌های تعمیر و نگهداری پیش‌بینی‌کننده. نویسندگان از توصیف‌های وظیفه‌گرا و مثال‌های عینی پایان به انتها استفاده می‌کنند تا اطمینان حاصل کنند که خواننده می‌تواند بلافاصله استفاده از این سرویس جدید را آغاز کند. این کتاب تمام جنبه‌های سرویس را از ورود داده‌ها گرفته تا استفاده از یادگیری ماشین، ارزیابی مدل‌ها و به‌کارگیری آن‌ها به عنوان سرویس‌های وب را توصیف می‌کند. بیاموزید که چگونه می‌توانید به سرعت مدل‌های پیش‌بینی پیچیده را با یادگیری ماشینی Azure جدید از مایکروسافت بسازید و به کار ببرید. چه چیزی در نسخه دوم جدید است؟ پنج فصل جدید با پوشش دقیق عملی اضافه شده است: ادغام Python - یک ویژگی جدید اعلام شده در فوریه 2015 آماده سازی داده و انتخاب ویژگی تجسم داده ها با موتورهای توصیه Power BI فروش مدل های شما در Azure Marketplace


توضیحاتی درمورد کتاب به خارجی

Predictive Analytics with Microsoft Azure Machine Learning, Second Edition is a practical tutorial introduction to the field of data science and machine learning, with a focus on building and deploying predictive models. The book provides a thorough overview of the Microsoft Azure Machine Learning service released for general availability on February 18th, 2015 with practical guidance for building recommenders, propensity models, and churn and predictive maintenance models. The authors use task oriented descriptions and concrete end-to-end examples to ensure that the reader can immediately begin using this new service. The book describes all aspects of the service from data ingress to applying machine learning, evaluating the models, and deploying them as web services. Learn how you can quickly build and deploy sophisticated predictive models with the new Azure Machine Learning from Microsoft. What’s New in the Second Edition? Five new chapters have been added with practical detailed coverage of: Python Integration – a new feature announced February 2015 Data preparation and feature selection Data visualization with Power BI Recommendation engines Selling your models on Azure Marketplace



فهرست مطالب

At a Glance
 Contents
 About the Authors
 About the Technical Reviewers
 Acknowledgments
 Foreword
 Introduction
 Part I: Introducing Data Science and Microsoft Azure Machine Learning 
 Chapter 1: Introduction to Data Science
 What is Data Science?
 Analytics Spectrum 
 Descriptive Analysis
 Diagnostic Analysis
 Predictive Analysis
 Prescriptive Analysis
 Why Does It Matter and Why Now?
 Data as a Competitive Asset 
 Increased Customer Demand 
 Increased Awareness of Data Mining Technologies 
 Access to More Data
 Faster and Cheaper Processing Power. The Data Science Process Common Data Science Techniques 
 Classification Algorithms
 Clustering Algorithms 
 Regression Algorithms
 Simulation 
 Content Analysis
 Recommendation Engines 
 Cutting Edge of Data Science
 The Rise of Ensemble Models
 Real-World Applications of Ensemble Models
 Building an Ensemble Model
 Summary
 Bibliography
 Chapter 2: Introducing Microsoft Azure Machine Learning
 Hello, Machine Learning Studio!
 Components of an Experiment
 Introducing the Gallery
 Five Easy Steps to Creating a Training Experiment
 Step 1: Getting the Data. Step 2: Preprocessing the Data Step 3: Defining the Features
 Step 4: Choosing and Applying Machine Learning Algorithms 
 Step 5: Predicting Over New Data
 Deploying Your Model in Production
 Creating a Predictive Experiment 
 Publishing Your Experiment as a Web Service
 Accessing the Azure Machine Learning Web Service 
 Summary
 Chapter 3: Data Preparation
 Data Cleaning and Processing
 Getting to Know Your Data
 Missing and Null Values
 Handling Duplicate Records
 Identifying and Removing Outliers
 Feature Normalization
 Dealing with Class Imbalance
 Feature Selection. Feature Engineering Binning Data
 The Curse of Dimensionality
 Summary
 Chapter 4: Integration with R
 R in a Nutshell 
 Building and Deploying Your First R Script
 Using R for Data Preprocessing 
 Using a Script Bundle (ZIP) 
 Building and Deploying a Decision Tree Using R
 Summary
 Chapter 5: Integration with Python
 Overview 
 Python Jumpstart 
 Using Python in Azure ML Experiments 
 Using Python for Data Preprocessing 
 Combining Data using Python
 Handling Missing Data Using Python
 Feature Selection Using Python
 Running Python Code in an Azure ML Experiment
 Summary. Part II: Statistical and Machine Learning Algorithms Chapter 6: Introduction to Statistical and Machine Learning Algorithms
 Regression Algorithms
 Linear Regression 
 Neural Networks 
 Decision Trees 
 Boosted Decision Trees
 Classification Algorithms 
 Support Vector Machines 
 Bayes Point Machines 
 Clustering Algorithms 
 Summary
 Part III: Practical Applications 
 Chapter 7: Building Customer Propensity Models
 The Business Problem 
 Data Acquisition and Preparation 
 Data Analysis
 More Data Treatment
 Feature Selection
 Training the Model
 Model Testing and Validation.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی