مشخصات کتاب

Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

ویرایش:  
نویسندگان: Ayyadevara. V Kishore  
سری:  
ISBN (شابک) : 9781484235638, 1484235649 
ناشر: Apress 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 23 مگابایت 

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

کلمات کلیدی مربوط به کتاب الگوریتم‌های یادگیری ماشین حرفه‌ای: رویکردی عملی برای پیاده‌سازی الگوریتم‌ها در پایتون و R: هوش مصنوعی، داده های بزرگ، برنامه نویسی کامپیوتر، نرم افزار متن باز، پایتون (زبان برنامه کامپیوتری)، کتاب های الکترونیکی

در صورت تبدیل فایل کتاب Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and 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 الگوریتم‌های یادگیری ماشین حرفه‌ای: رویکردی عملی برای پیاده‌سازی الگوریتم‌ها در پایتون و 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 الگوریتم‌های یادگیری ماشین حرفه‌ای: رویکردی عملی برای پیاده‌سازی الگوریتم‌ها در پایتون و R

فصل 1: مبانی یادگیری ماشین -- فصل 2: ​​رگرسیون خطی -- فصل 3: رگرسیون لجستیک -- فصل 4: درخت تصمیم -- فصل 5: جنگل تصادفی -- فصل 6: GBM -- فصل 7: شبکه عصبی -- فصل 8: word2vec -- فصل 9: شبکه عصبی کانولوشن -- فصل 10: شبکه عصبی تکراری -- فصل 11: خوشه بندی -- فصل 12: PCA -- فصل 13: سیستم های توصیه کننده -- فصل 14: پیاده سازی الگوریتم ها در ابر. ؛ فاصله بین درک سطح بالا از نحوه عملکرد یک الگوریتم و دانستن مهره ها و پیچ ها را برای تنظیم بهتر مدل های خود پر کنید. این کتاب به شما اعتماد به نفس و مهارت هایی را در هنگام توسعه همه مدل های اصلی یادگیری ماشین می دهد. در Pro Machine Learning Algorithms، ابتدا الگوریتم را در اکسل توسعه می‌دهید تا قبل از پیاده‌سازی مدل‌ها در Python/R، درک عملی از تمام اهرم‌هایی که می‌توان در یک مدل تنظیم کرد، به دست آورید. شما تمام الگوریتم های اصلی را پوشش خواهید داد: یادگیری تحت نظارت و بدون نظارت، که شامل رگرسیون خطی/لجستیک می شود. k-به معنی خوشه بندی. PCA; سیستم توصیه کننده؛ درخت تصمیم جنگل تصادفی؛ GBM; و شبکه های عصبی شما همچنین در معرض جدیدترین آموزش های عمیق از طریق CNN، RNN و word2vec برای متن کاوی قرار خواهید گرفت. شما نه تنها الگوریتم ها، بلکه مفاهیم مهندسی ویژگی را نیز برای به حداکثر رساندن عملکرد یک مدل یاد خواهید گرفت. تئوری را همراه با مطالعات موردی، مانند طبقه‌بندی احساسات، تشخیص تقلب، سیستم‌های توصیه‌کننده و تشخیص تصویر مشاهده خواهید کرد، به طوری که بهترین تئوری و عمل را برای اکثریت قریب به اتفاق الگوریتم‌های یادگیری ماشینی مورد استفاده در صنعت به دست آورید. همراه با یادگیری الگوریتم ها، شما همچنین در معرض اجرای مدل های یادگیری ماشینی در تمام ارائه دهندگان خدمات ابری بزرگ خواهید بود. انتظار می رود شما حداقل دانشی از برنامه نویسی آمار/نرم افزار داشته باشید و در پایان این کتاب باید بتوانید با اطمینان روی پروژه یادگیری ماشینی کار کنید. شما می توانید: درک عمیقی از همه الگوریتم های اصلی یادگیری ماشین و یادگیری عمیق به دست آورید. به طور کامل از مشکلاتی که باید در ساختن مدل ها اجتناب کنید قدردانی کنید. الگوریتم های یادگیری ماشین را در فضای ابری پیاده سازی کنید. آموزش گروهی برای ساخت مدل‌های دقیق‌تر اصول برنامه‌نویسی در R/Python و چارچوب Keras برای یادگیری عمیق را کشف کنید.

توضیحاتی درمورد کتاب به خارجی

Chapter 1: Basics of Machine Learning -- Chapter 2: Linear regression -- Chapter 3: Logistic regression -- Chapter 4: Decision tree -- Chapter 5: Random forest -- Chapter 6: GBM -- Chapter 7: Neural network -- Chapter 8: word2vec -- Chapter 9: Convolutional neural network -- Chapter 10: Recurrent Neural Network -- Chapter 11: Clustering -- Chapter 12: PCA -- Chapter 13: Recommender systems -- Chapter 14: Implementing algorithms in the cloud.;Bridge the gap between a high-level understanding of how an algorithm works and knowing the nuts and bolts to tune your models better. This book will give you the confidence and skills when developing all the major machine learning models. In Pro Machine Learning Algorithms, you will first develop the algorithm in Excel so that you get a practical understanding of all the levers that can be tuned in a model, before implementing the models in Python/R. You will cover all the major algorithms: supervised and unsupervised learning, which include linear/logistic regression; k-means clustering; PCA; recommender system; decision tree; random forest; GBM; and neural networks. You will also be exposed to the latest in deep learning through CNNs, RNNs, and word2vec for text mining. You will be learning not only the algorithms, but also the concepts of feature engineering to maximize the performance of a model. You will see the theory along with case studies, such as sentiment classification, fraud detection, recommender systems, and image recognition, so that you get the best of both theory and practice for the vast majority of the machine learning algorithms used in industry. Along with learning the algorithms, you will also be exposed to running machine-learning models on all the major cloud service providers. You are expected to have minimal knowledge of statistics/software programming and by the end of this book you should be able to work on a machine learning project with confidence. You will: Get an in-depth understanding of all the major machine learning and deep learning algorithms Fully appreciate the pitfalls to avoid while building models Implement machine learning algorithms in the cloud Follow a hands-on approach through case studies for each algorithm Gain the tricks of ensemble learning to build more accurate models Discover the basics of programming in R/Python and the Keras framework for deep learning.

فهرست مطالب

Front Matter ....Pages i-xxi
 Basics of Machine Learning  (V Kishore Ayyadevara)....Pages 1-15
 Linear Regression  (V Kishore Ayyadevara)....Pages 17-47
 Logistic Regression  (V Kishore Ayyadevara)....Pages 49-69
 Decision Tree  (V Kishore Ayyadevara)....Pages 71-103
 Random Forest  (V Kishore Ayyadevara)....Pages 105-116
 Gradient Boosting Machine  (V Kishore Ayyadevara)....Pages 117-134
 Artificial Neural Network  (V Kishore Ayyadevara)....Pages 135-165
 Word2vec  (V Kishore Ayyadevara)....Pages 167-178
 Convolutional Neural Network  (V Kishore Ayyadevara)....Pages 179-215
 Recurrent Neural Network  (V Kishore Ayyadevara)....Pages 217-257
 Clustering  (V Kishore Ayyadevara)....Pages 259-281
 Principal Component Analysis  (V Kishore Ayyadevara)....Pages 283-297
 Recommender Systems  (V Kishore Ayyadevara)....Pages 299-325
 Implementing Algorithms in the Cloud  (V Kishore Ayyadevara)....Pages 327-344
Back Matter ....Pages 345-372

نظرات کاربران

کتاب های تصادفی

دانلود کتاب In the light of contradiction: desire in the poetry of Federico García Lorca

دانلود کتاب Дона Флор и нейните двама съпрузи

دانلود کتاب Discrimination Based on Sexual Orientation: Jurisprudence of the European Court of Human Rights and the Constitutional Court of Korea

دانلود کتاب Kid CEO: How to Keep Your Children from Running Your Life

دانلود کتاب The Best Sons of the Fatherland: Workers in the Vanguard of Soviet Collectivization