مشخصات کتاب

Test-driven Machine Learning

ویرایش:  
نویسندگان: Justin Bozonier  
سری:  
ISBN (شابک) : 9781784399085 
ناشر: Packt 
سال نشر: 2015 
تعداد صفحات: 171 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

در صورت تبدیل فایل کتاب Test-driven 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 یادگیری ماشین تست محور 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 یادگیری ماشین تست محور

الگوریتم‌های یادگیری ماشین خود را با استفاده از توسعه آزمایش‌محور کنترل کنید تا به نقاط عطف قابل اندازه‌گیری درباره این کتاب دست یابید• برنامه‌های افزودنی هوشمند برای ویژگی‌های از قبل موجود در محل کار بسازید که می‌تواند به حداکثر رساندن ارزش آنها کمک کند• مدل‌های خود را کمی کنید تا پیشرفت واقعی را ایجاد کنید• دانش خود را در مورد مفاهیم اساسی، مانند به‌عنوان رگرسیون خطی و طبقه‌بندی Naive Bayes، به سطح بعدی بروید و مدل‌های آن‌ها را تولید کنید. • با پیروی از فرآیند کاوش مبتنی بر آزمایش، با مدل‌ها و تکنیک‌های خود بازی‌های what-if انجام دهید. این کتاب برای فن‌آوران داده (دانشمندان، تحلیلگران، یا توسعه دهندگان) با تجربه قبلی یادگیری ماشین که خواندن کد در پایتون نیز راحت هستند. ممکن است یک پروژه یادگیری ماشینی را شروع کرده باشید یا قبلاً شروع کرده باشید و به دنبال راهی برای ارائه سریع نتایج برای امکان تکرار و بهبود سریع هستید. کسانی که به دنبال نمونه هایی از نحوه جداسازی مسائل در مدل ها و بهبود آنها هستند، ایده هایی را در این کتاب برای حرکت رو به جلو پیدا خواهند کرد. یادگیری• ساخت و آزمایش یک شبکه عصبی به صورت قطعی، و یادگیری مواردی که باعث ایجاد رفتار مدل عجیب و غریب می شود را بیاموزید• یاد بگیرید که از الگوریتم راهزن چند مسلح برای انتخاب بهینه در مواجهه با حجم عظیمی از عدم قطعیت استفاده کنید• ایجاد پیچیده و ساده داده‌های تصادفی برای ایجاد طیف گسترده‌ای از موارد آزمایشی که می‌توانند در آزمون‌ها کدگذاری شوند• توسعه مدل‌ها به صورت تکراری، حتی با استفاده از کتابخانه شخص ثالث• کمی کردن کیفیت مدل برای فعال کردن همکاری و تکرار سریع• اتخاذ رویکردهای ساده‌تر برای الگوریتم‌های یادگیری ماشینی رایج• اتخاذ اصول توسعه رفتار محور برای بیان هدف آزمون In DetailMachine یادگیری فرآیندی است که به ماشین‌ها آموزش می‌دهد تا الگوهای داده‌ها را به خاطر بسپارند، از آنها برای پیش‌بینی نتایج آینده استفاده کنند، و انتخاب‌هایی را ارائه دهند که برای افراد بر اساس ترجیحات گذشته‌شان جذاب باشد. یادگیری ماشینی در بسیاری از موارد کاربرد دارد. از کارهایی که هر روز انجام می دهید در نتیجه، شما نمی توانید برای همیشه طول بکشد تا اولین نسخه نرم افزار خود را ارائه دهید. یادگیری ساخت الگوریتم‌های یادگیری ماشین در چارچوب تست کنترل‌شده، زمان شما را برای ارائه سرعت می‌بخشد، انتظارات کیفیت را با مشتریانتان تعیین می‌کند، و تکرار و همکاری سریع را امکان‌پذیر می‌کند. این کتاب به شما نشان می‌دهد که چگونه الگوریتم‌های یادگیری ماشین را به صورت کمی آزمایش کنید. رویکرد بسیار متفاوت و بنیادی این کتاب، هر الگوریتم مثالی را با ساده‌ترین چیزی که احتمالاً می‌تواند کار کند، آغاز می‌کند. با این رویکرد، کهنه سربازان باتجربه رویکردهای ساده تری برای شروع الگوریتم یادگیری ماشین پیدا خواهند کرد. شما یاد خواهید گرفت که چگونه روی این الگوریتم ها تکرار کنید تا تحویل سریع را فعال کنید و انتظارات عملکرد را بهبود بخشید. این کتاب با مقدمه ای برای آزمایش یادگیری ماشین رانندگی و کمی کردن کیفیت مدل آغاز می شود. از آنجا، یک شبکه عصبی را آزمایش می‌کنید، مقادیر را با رگرسیون پیش‌بینی می‌کنید و تکنیک‌های رگرسیون را با رگرسیون لجستیک ایجاد می‌کنید. شما خواهید فهمید که چگونه می توانید رویکردهای مختلف را برای ساده و بی تکلف آزمایش کنید و آنها را به صورت کمی مقایسه کنید، به همراه نحوه اعمال الگوهای OOP (برنامه نویسی شی گرا) و OOP در کدهای تست محور، با استفاده از SciKit-Learn. در نهایت، توسعه را طی خواهید کرد. الگوریتمی که ارزش مورد انتظار سود را برای کمپین بازاریابی با ترکیب یکی از طبقه‌بندی‌کننده‌های پوشش داده شده با مثال رگرسیون چندگانه در کتاب به حداکثر می‌رساند. تست به تست هر موضوع با استفاده از تست های شکست خورده راه حل هایی را برای نشان دادن مسائل ایجاد می کند. این مراحل با مراحلی برای قبولی در آزمون ها، به سادگی و سرراست دنبال می شوند. موضوعاتی که از داده‌های تولید شده استفاده می‌کنند، چگونگی تولید داده‌ها را همراه با توضیحاتی درباره مفروضات پشت تکنیک‌های مختلف یادگیری ماشین بررسی می‌کنند.

توضیحاتی درمورد کتاب به خارجی

Control your machine learning algorithms using test-driven development to achieve quantifiable milestonesAbout This Book• Build smart extensions to pre-existing features at work that can help maximize their value• Quantify your models to drive real improvement• Take your knowledge of basic concepts, such as linear regression and Naive Bayes classification, to the next level and productionalize their models• Play what-if games with your models and techniques by following the test-driven exploration processWho This Book Is ForThis book is intended for data technologists (scientists, analysts, or developers) with previous machine learning experience who are also comfortable reading code in Python. You may be starting, or have already started, a machine learning project at work and are looking for a way to deliver results quickly to enable rapid iteration and improvement. Those looking for examples of how to isolate issues in models and improve them will find ideas in this book to move forward.What You Will Learn• Get started with an introduction to test-driven development and familiarize yourself with how to apply these concepts to machine learning• Build and test a neural network deterministically, and learn to look for niche cases that cause odd model behaviour• Learn to use the multi-armed bandit algorithm to make optimal choices in the face of an enormous amount of uncertainty• Generate complex and simple random data to create a wide variety of test cases that can be codified into tests• Develop models iteratively, even when using a third-party library• Quantify model quality to enable collaboration and rapid iteration• Adopt simpler approaches to common machine learning algorithms• Take behaviour-driven development principles to articulate test intentIn DetailMachine learning is the process of teaching machines to remember data patterns, using them to predict future outcomes, and offering choices that would appeal to individuals based on their past preferences.Machine learning is applicable to a lot of what you do every day. As a result, you can't take forever to deliver your first iteration of software. Learning to build machine learning algorithms within a controlled test framework will speed up your time to deliver, quantify quality expectations with your clients, and enable rapid iteration and collaboration.This book will show you how to quantifiably test machine learning algorithms. The very different, foundational approach of this book starts every example algorithm with the simplest thing that could possibly work. With this approach, seasoned veterans will find simpler approaches to beginning a machine learning algorithm. You will learn how to iterate on these algorithms to enable rapid delivery and improve performance expectations.The book begins with an introduction to test driving machine learning and quantifying model quality. From there, you will test a neural network, predict values with regression, and build upon regression techniques with logistic regression. You will discover how to test different approaches to naive bayes and compare them quantitatively, along with how to apply OOP (Object-Oriented Programming) and OOP patterns to test-driven code, leveraging SciKit-Learn.Finally, you will walk through the development of an algorithm which maximizes the expected value of profit for a marketing campaign by combining one of the classifiers covered with the multiple regression example in the book.Style and approachAn example-driven guide that builds a deeper knowledge and understanding of iterative machine learning development, test by test. Each topic develops solutions using failing tests to illustrate problems; these are followed by steps to pass the tests, simply and straightforwardly. Topics which use generated data explore how the data was generated, alongside explanations of the assumptions behind different machine learning techniques.

فهرست مطالب

Cover......Page 1
Copyright......Page 3
Credits......Page 4
About the Author......Page 5
About the Reviewers......Page 6
www.PacktPub.com......Page 7
Table of Contents......Page 8
Preface......Page 12
Chapter 1: Introducing Test-Driven Machine Learning......Page 18
 Test-driven development......Page 19
 The TDD cycle......Page 20
  Refactor......Page 21
 Behavior-driven development......Page 22
 Our first test......Page 23
  The anatomy of a test......Page 25
   Then......Page 26
 TDD applied to machine learning......Page 27
 Dealing with randomness......Page 28
  Regression......Page 33
 Quantifying the classification models......Page 34
 Summary......Page 36
 Getting started......Page 38
 Summary......Page 50
 Understanding a bandit......Page 52
 Testing with simulation......Page 53
 Starting from scratch......Page 54
 Simulating real world situations......Page 57
 A randomized probability matching algorithm......Page 60
 A bootstrapping bandit......Page 62
 The problem with straight bootstrapping......Page 65
 Multi-armed armed bandit throw down......Page 67
 Summary......Page 69
 Refresher on advanced regression......Page 70
  Quantifying model quality......Page 71
 Generating our own data......Page 72
 Building the foundations of our model......Page 73
 Cross-validating our model......Page 81
 Generating data......Page 82
 Summary......Page 83
Chapter 5: Making Decisions Black and White with Logistic Regression......Page 84
 Generating logistic data......Page 85
 Measuring model accuracy......Page 87
 Generating a more complex example......Page 88
 Test driving our model......Page 89
 Summary......Page 94
 Gaussian classification by hand......Page 96
 Beginning the development......Page 98
 Summary......Page 116
 Upgrading the classifier......Page 118
 Applying our classifier......Page 123
 Upgrading to Random Forest......Page 128
 Summary......Page 132
Chapter 8: Exploring Scikit-learn  Test First......Page 134
 Planning our journey......Page 135
  Creating a classifier chooser (it needs to run tests to evaluate classifier performance)......Page 136
 Getting choosey......Page 148
  Decision trees......Page 151
 Summary......Page 154
Chapter 9: Bringing It All Together......Page 156
 Starting at the highest level......Page 158
 The real world......Page 175
 Summary......Page 182
Index......Page 184

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Инновации в современной науке: Материалы XI Международного зимнего симпозиума (29 февраля 2016 г.). Сборник научных трудов

دانلود کتاب Understanding Hegel's mature critique of Kant

دانلود کتاب British management thought: a critical analysis

دانلود کتاب Filtering in the Time and Frequency Domains

دانلود کتاب Bhutan