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 Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R

دانلود کتاب آمار برای یادگیری ماشین: تکنیک های بررسی مدل های یادگیری تحت نظارت ، بدون نظارت و تقویت با Python و R

Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R

مشخصات کتاب

Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R

دسته بندی: آمار ریاضی
ویرایش: 1 
نویسندگان:   
سری:  
 
ناشر: Packt Publishing 
سال نشر: 2017 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت 

قیمت کتاب (تومان) : 49,000



کلمات کلیدی مربوط به کتاب آمار برای یادگیری ماشین: تکنیک های بررسی مدل های یادگیری تحت نظارت ، بدون نظارت و تقویت با Python و R: مدل‌سازی و طراحی داده، پایگاه‌های داده و کلان داده، رایانه‌ها و فناوری، پردازش داده، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری، ریاضی و آمار، نرم‌افزار، رایانه و فناوری، کسب‌وکار، برنامه‌های کاربردی و نرم‌افزار، رایانه‌ها و فناوری، دسته‌ها، فروشگاه Kindle ,ریاضی و آماری,برنامه های کاربردی و نرم افزار,کامپیوتر و فناوری,دسته ها,فروشگاه کیندل,مدلینگ و طراحی داده,علوم کامپیوتر,کامپیوتر و فناوری,دسته ها,فروشگاه کیندل



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


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: تکنیک های بررسی مدل های یادگیری تحت نظارت ، بدون نظارت و تقویت با Python 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: تکنیک های بررسی مدل های یادگیری تحت نظارت ، بدون نظارت و تقویت با Python 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 یادگیری ماشین
  • خود را معرفی کنید به مبانی لازم برای ساخت مدل‌های یادگیری عمیق تحت نظارت و بدون نظارت
  • یادگیری یادگیری تقویتی و کاربرد آن در حوزه هوش مصنوعی

درباره نویسنده

Pratap Dangeti راه‌حل‌های یادگیری ماشینی و یادگیری عمیق را برای داده‌های ساختاری، تصویری و متنی در TCS، تجزیه و تحلیل و بینش، آزمایشگاه نوآوری در بنگلور توسعه می‌دهد. او تجربه زیادی در زمینه تجزیه و تحلیل و علم داده کسب کرده است. او مدرک کارشناسی ارشد خود را از IIT بمبئی در رشته مهندسی صنایع و برنامه تحقیقات عملیاتی دریافت کرد. او از علاقه مندان به هوش مصنوعی است. وقتی کار نمی کند، دوست دارد در مورد فناوری های نسل بعدی و روش های نوآورانه مطالعه کند.

فهرست محتوا

  1. سفر از آمار تا یادگیری ماشین
  2. موازی آمار و یادگیری ماشین
  3. رگرسیون لجستیک در مقابل جنگل تصادفی
  4. مدل‌های یادگیری ماشینی مبتنی بر درخت
  5. K-نزدیک‌ترین همسایه‌ها و ساده‌ترین همسایگان
  6. پشتیبانی از ماشین های برداری و شبکه های عصبی
  7. موتورهای توصیه
  8. یادگیری بدون نظارت
  9. یادگیری تقویتی

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 Machine Learning
  • Introduce yourself to necessary fundamentals required for building supervised & unsupervised deep learning models
  • Learn reinforcement learning and its application in the field of artificial intelligence domain

About the Author

Pratap Dangeti develops machine learning and deep learning solutions for structured, image, and text data at TCS, analytics and insights, innovation lab in Bangalore. He has acquired a lot of experience in both analytics and data science. He received his master's degree from IIT Bombay in its industrial engineering and operations research program. He is an artificial intelligence enthusiast. When not working, he likes to read about next-gen technologies and innovative methodologies.

Table of Contents

  1. Journey from Statistics to Machine Learning
  2. Parallelism of Statistics and Machine Learning
  3. Logistic Regression vs. Random Forest
  4. Tree-Based Machine Learning models
  5. K-Nearest Neighbors & Naive Bayes
  6. Support Vector Machines & Neural Networks
  7. Recommendation Engines
  8. Unsupervised Learning
  9. Reinforcement Learning




نظرات کاربران