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 Scala for Machine Learning

دانلود کتاب مقیاس برای یادگیری ماشین

مشخصات کتاب

Scala for Machine Learning

دسته بندی: نرم افزار: سیستم ها: محاسبات علمی
ویرایش:  
نویسندگان: Patrick R. Nicolas  
سری:  
ISBN (شابک) : 1783558741, 9781783558742 
ناشر: Packt Publishing 
سال نشر: 2014 
تعداد صفحات: 520 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 37,000

کلمات کلیدی مربوط به کتاب مقیاس برای یادگیری ماشین: کتابخانه، ادبیات کامپیوتری، اسکالا

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 16

در صورت تبدیل فایل کتاب Scala for 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 مقیاس برای یادگیری ماشین 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 مقیاس برای یادگیری ماشین

از Scala و یادگیری ماشینی برای ساختن و مطالعه سیستم هایی استفاده کنید که می توانند از داده ها بیاموزند

درباره این کتاب

کاوش در طیف گسترده ای از پردازش داده‌ها، یادگیری ماشین و الگوریتم‌های ژنتیک از طریق نمودارها، فرمول‌بندی ریاضی و کد منبع
از تخصص خود در برنامه‌نویسی Scala برای ایجاد و سفارشی‌سازی برنامه‌های هوش مصنوعی با الگوریتم‌های یادگیری ماشینی مقیاس‌پذیر خود استفاده کنید
تکنیک‌های مختلف را آزمایش کنید و مزایا و محدودیت‌های آنها را با استفاده از برنامه‌های مالی در دنیای واقعی، به سبک آموزشی ارزیابی کنید

این کتاب برای چه کسی است

آیا کنجکاو هستید هوش مصنوعی؟ تنها چیزی که نیاز دارید، درک خوب زبان برنامه نویسی اسکالا، دانش اولیه آمار، علاقه شدید به پردازش داده های بزرگ و این کتاب است!

در جزئیات

کشف اطلاعات از طریق خوشه بندی و طبقه بندی داده ها در حال تبدیل شدن به یک تمایز کلیدی برای سازمان های رقابتی است. کاربردهای یادگیری ماشین در همه جا وجود دارد، از ماشین‌های خودران، طراحی‌های مهندسی، بیومتریک، و استراتژی‌های معاملاتی گرفته تا تشخیص ناهنجاری‌های ژنتیکی.

این کتاب با مقدمه‌ای بر قابلیت‌های کاربردی زبان برنامه‌نویسی اسکالا آغاز می‌شود. برای ایجاد الگوریتم‌های یادگیری ماشینی مانند تزریق وابستگی و موارد ضمنی بسیار مهم هستند.

در ادامه، با تکنیک‌های پیش‌پردازش و فیلتر کردن داده‌ها آشنا خواهید شد. پس از این، به سمت خوشه‌بندی و کاهش ابعاد، Naive Bayes، مدل‌های رگرسیون، داده‌های متوالی، منظم‌سازی و هسته‌سازی، ماشین‌های بردار پشتیبانی، شبکه‌های عصبی، الگوریتم‌های عمومی و یادگیری مجدد خواهید رفت. مروری بر چارچوب Akka و خوشه‌های Apache Spark این آموزش را به پایان می‌رساند.

توضیحاتی درمورد کتاب به خارجی

Leverage Scala and Machine Learning to construct and study systems that can learn from data

About This Book

Explore a broad variety of data processing, machine learning, and genetic algorithms through diagrams, mathematical formulation, and source code
Leverage your expertise in Scala programming to create and customize AI applications with your own scalable machine learning algorithms
Experiment with different techniques, and evaluate their benefits and limitations using real-world financial applications, in a tutorial style

Who This Book Is For

Are you curious about AI? All you need is a good understanding of the Scala programming language, a basic knowledge of statistics, a keen interest in Big Data processing, and this book!

In Detail

The discovery of information through data clustering and classification is becoming a key differentiator for competitive organizations. Machine learning applications are everywhere, from self-driving cars, engineering designs, biometrics, and trading strategies, to detection of genetic anomalies.

The book begins with an introduction to the functional capabilities of the Scala programming language that are critical to the creation of machine learning algorithms such as dependency injection and implicits.

Next, you'll learn about data preprocessing and filtering techniques. Following this, you'll move on to clustering and dimension reduction, Naive Bayes, regression models, sequential data, regularization and kernelization, support vector machines, neural networks, generic algorithms, and re-enforcement learning. A review of the Akka framework and Apache Spark clusters concludes the tutorial.