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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Eckroth. Joshua سری: ISBN (شابک) : 9781789538243, 1789538246 ناشر: Packt Publishing Ltd سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Python Artificial Intelligence Projects for Beginners : Get up and Running with Artificial Intelligence Using 8 Smart and Exciting AI Applications. 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 پروژه های هوش مصنوعی پایتون برای مبتدیان: با هوش مصنوعی با استفاده از 8 برنامه هوشمند و هیجان انگیز هوش مصنوعی پیشرفت کنید. 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.
این کتاب پروژههای هوش مصنوعی در پایتون را نشان میدهد که تکنیکهای مدرنی را که دنیای هوش مصنوعی را تشکیل میدهند، پوشش میدهد. شما با انواع پروژه های دنیای واقعی در طبقه بندی داده ها، تکنیک های پردازش متن، یادگیری عمیق و شبکه های عصبی مواجه خواهید شد.
This book demonstrates AI projects in Python covering modern techniques that make up the world of Artificial Intelligence. You will come across a variety of real-world projects on classifying data, text processing techniques, deep learning and neural networks.
Cover
Title Page
Copyright and Credits
Packt Upsell
Contributors
Table of Contents
Preface
Chapter 1: Building Your Own Prediction Models
Classification overview and evaluation techniques
Evaluation
Decision trees
Common APIs for scikit-learn classifiers
Prediction involving decision trees and student performance data
Summary
Chapter 2: Prediction with Random Forests
Random forests
Usage of random forest
Predicting bird species with random forests
Making a confusion matrix for the data
Summary
Chapter 3: Applications for Comment Classification
Text classification Machine learning techniquesBag of words
Detecting YouTube comment spam
Word2Vec models
Doc2Vec
Document vector
Detecting positive or negative sentiments in user reviews
Summary
Chapter 4: Neural Networks
Understanding neural networks
Feed-forward neural networks
Identifying the genre of a song with neural networks
Revising the spam detector to use neural networks
Summary
Chapter 5: Deep Learning
Deep learning methods
Convolutions and pooling
Identifying handwritten mathematical symbols with CNNs
Revisiting the bird species identifier to use images
Summary