مشخصات کتاب

Thoughtful Machine Learning

ویرایش:  
نویسندگان: Matthew Kirk  
سری:  
 
ناشر: O'Reilly Media 
سال نشر: 2015 
تعداد صفحات: 235 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

در صورت تبدیل فایل کتاب Thoughtful 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 ماشینی متفکرانه 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 ماشینی متفکرانه

بیاموزید که چگونه توسعه آزمایش محور (TDD) را در الگوریتم های یادگیری ماشینی اعمال کنید - و اشتباهاتی را که می تواند تجزیه و تحلیل شما را مختل کند، تشخیص دهید. در این راهنمای عملی، نویسنده متیو کرک شما را با اصول TDD و یادگیری ماشین آشنا می‌کند و به شما نشان می‌دهد که چگونه TDD را در چندین الگوریتم یادگیری ماشینی، از جمله طبقه‌بندی‌کننده‌های ساده بیزی و شبکه‌های عصبی به کار ببرید.
الگوریتم‌های یادگیری ماشینی اغلب دارای آزمایش‌ها انجام شده‌اند، اما نمی‌توانند خطاهای انسانی در کدنویسی را محاسبه کنند. به جای تکیه کورکورانه به نتایج یادگیری ماشینی، همانطور که بسیاری از محققان انجام داده اند، می توانید خطر خطاها را با TDD کاهش دهید و کدهای یادگیری ماشینی تمیز و پایدار بنویسید. اگر با Ruby 2.1 آشنایی دارید، آماده شروع هستید.
قبل از شروع کدنویسی، از TDD برای نوشتن و اجرای تست ها استفاده کنید
با بهترین کاربردها و معاوضه های هشت الگوریتم یادگیری ماشینی آشنا شوید
از واقعی استفاده کنید- نمونه‌های جهانی برای آزمایش هر الگوریتم از طریق تمرین‌های درگیرکننده و عملی
درک شباهت‌های بین TDD و روش علمی برای اعتبارسنجی راه‌حل‌ها
از خطرات یادگیری ماشینی، مانند عدم تناسب و بیش‌برازش داده‌ها آگاه باشید
کاوش تکنیک هایی برای بهبود مدل های یادگیری ماشینی یا استخراج داده ها

توضیحاتی درمورد کتاب به خارجی

Learn how to apply test-driven development (TDD) to machine-learning algorithms—and catch mistakes that could sink your analysis. In this practical guide, author Matthew Kirk takes you through the principles of TDD and machine learning, and shows you how to apply TDD to several machine-learning algorithms, including Naive Bayesian classifiers and Neural Networks.
Machine-learning algorithms often have tests baked in, but they can’t account for human errors in coding. Rather than blindly rely on machine-learning results as many researchers have, you can mitigate the risk of errors with TDD and write clean, stable machine-learning code. If you’re familiar with Ruby 2.1, you’re ready to start.
Apply TDD to write and run tests before you start coding
Learn the best uses and tradeoffs of eight machine learning algorithms
Use real-world examples to test each algorithm through engaging, hands-on exercises
Understand the similarities between TDD and the scientific method for validating solutions
Be aware of the risks of machine learning, such as underfitting and overfitting data
Explore techniques for improving your machine-learning models or data extraction

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Electromagnetic Optics of Thin-Film Coatings: Light Scattering, Giant Field Enhancement, and Planar Microcavities

دانلود کتاب Cohort Analysis of Fertility in England and Wales, 1939-50

دانلود کتاب Now or never: your epic life in 5 steps: the bridge from where you are to where you want to be

دانلود کتاب Lady Jane Grey: A Tudor Mystery

دانلود کتاب The Complete America's Test Kitchen TV Show Cookbook 2001-2017: Every Recipe from the Hit TV Show with Product Ratings and a Look Behind theScenes