دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R
دانلود کتاب آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R
مشخصات کتاب
Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R
ویرایش:
نویسندگان: Pratap Dangeti
سری:
ISBN (شابک) : 1788295757, 9781788295758
ناشر: Packt Publishing
سال نشر: 2017
تعداد صفحات: 438
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 16 مگابایت
قیمت کتاب (تومان) : 32,000
کلمات کلیدی مربوط به کتاب آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R: مدل‌سازی و طراحی داده، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری، پردازش داده، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری، ریاضی و آمار، نرم‌افزار، رایانه و فناوری
در صورت تبدیل فایل کتاب Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with 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 آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با 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 آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R
ویژگی های کلیدی
- درباره آمار مدل های پیشگویانه قدرتمند با آمار p-value، ANOVA و F- بیاموزید.
- محاسبات آماری را به صورت برنامه ریزی شده برای تحت نظارت و بدون نظارت پیاده سازی کنید. یادگیری از طریق خوشه‌بندی K-means.
- بر جنبه آماری یادگیری ماشین با کمک این راهنمای غنی از مثال R و Python تسلط پیدا کنید.
توضیحات کتاب
h4>آمار پیچیده در یادگیری ماشینی بسیاری از توسعه دهندگان را نگران می کند. دانستن آمار به شما کمک می‌کند تا مدل‌های یادگیری ماشینی قوی بسازید که برای یک بیان مسئله بهینه شده‌اند. این کتاب تمام آنچه را که برای انجام محاسبات آماری پیچیده لازم برای یادگیری ماشین لازم است به شما آموزش می دهد. اطلاعاتی در مورد آمارهای مربوط به یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری تقویتی و موارد دیگر به دست خواهید آورد. مثال های دنیای واقعی را که جنبه آماری یادگیری ماشین را مورد بحث قرار می دهند را درک کنید و با آن آشنا شوید. همچنین برنامه هایی را برای انجام وظایفی مانند مدل، برازش پارامتر، رگرسیون، طبقه بندی، جمع آوری چگالی و موارد دیگر طراحی خواهید کرد.
در پایان کتاب، به آمارهای مورد نیاز برای یادگیری ماشین و یادگیری ماشین تسلط خواهید داشت. می‌تواند مهارت‌های جدید خود را برای هر نوع مشکل صنعتی به کار گیرد.
آنچه یاد خواهید گرفت
- مبانی یادگیری ماشینی و آماری لازم برای ساخت مدل‌ها را بدانید
- تفاوت‌ها و تشابهات عمده بین روش آماری و روش یادگیری ماشینی برای حل مسائل را درک کنید
- چگونگی تهیه مدل‌های داده و خوراک را با استفاده از الگوریتم‌های یادگیری ماشینی مناسب از بیش از بسته های R و Python کافی
- نتایج را تجزیه و تحلیل کنید و مدل را به طور مناسب با اهداف پیش بینی خود تنظیم کنید
- درک مفاهیم آمار مورد نیاز برای
توضیحاتی درمورد کتاب به خارجی
Key Features
- Learn about the statistics behind powerful predictive models with p-value, ANOVA, and F- statistics.
- Implement statistical computations programmatically for supervised and unsupervised learning through K-means clustering.
- Master the statistical aspect of Machine Learning with the help of this example-rich guide to R and Python.
Book Description
Complex statistics in Machine Learning worry a lot of developers. Knowing statistics helps you build strong Machine Learning models that are optimized for a given problem statement. This book will teach you all it takes to perform complex statistical computations required for Machine Learning. You will gain information on statistics behind supervised learning, unsupervised learning, reinforcement learning, and more. Understand the real-world examples that discuss the statistical side of Machine Learning and familiarize yourself with it. You will also design programs for performing tasks such as model, parameter fitting, regression, classification, density collection, and more.
By the end of the book, you will have mastered the required statistics for Machine Learning and will be able to apply your new skills to any sort of industry problem.
What you will learn
- Understand the Statistical and Machine Learning fundamentals necessary to build models
- Understand the major differences and parallels between the statistical way and the Machine Learning way to solve problems
- Learn how to prepare data and feed models by using the appropriate Machine Learning algorithms from the more-than-adequate R and Python packages
- Analyze the results and tune the model appropriately to your own predictive goals
- Understand the concepts of required statistics for
