
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
با یادداشتها، جدولها و مثالهای دقیق، این مرجع کاربردی به شما کمک میکند مبانی یادگیری ماشین با دادههای ساختیافته را بهتر بفهمید. مت هریسون راهنمایی ارزشمند ارائه میدهد که هم در زمان آموزش میتوانید از آن کمک بگیرید و هم وقتی سراغ پروژه بعدی یادگیری ماشین میروید، منبعی دمدست و راحت در اختیارتان باشد.
این کتاب برای برنامهنویسها، دانشمندان داده و مهندسان هوش مصنوعی مناسب است. مروری بر فرآیند یادگیری ماشین دارد و طبقهبندی با دادههای ساختیافته را گامبهگام پیش میبرد. همچنین روشهایی برای خوشهبندی، پیشبینی مقدار پیوسته (رگرسیون) و کاهش ابعاد، و موضوعهای دیگر، یاد میگیرید.
این مرجع جیبی بخشهایی دارد که این موضوعها را پوشش میدهند:
• طبقهبندی، با استفاده از مجموعه داده تایتانیک
• پاکسازی داده و برخورد با دادههای گمشده
• تحلیل اکتشافی داده
• گامهای رایج پیشپردازش با دادههای نمونه
• انتخاب ویژگیهای مفید برای مدل
• انتخاب مدل
• معیارها و ارزیابی طبقهبندی
• مثالهای رگرسیون با k-نزدیکترین همسایه، درخت تصمیم، بوستینگ و موارد بیشتر
• معیارهای ارزیابی رگرسیون
• خوشهبندی
• کاهش ابعاد
• پایپلاینهای Scikit-learn
With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project.Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You’ll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics.This pocket reference includes sections that cover:• Classification, using the Titanic dataset• Cleaning data and dealing with missing data• Exploratory data analysis• Common preprocessing steps using sample data• Selecting features useful to the model• Model selection• Metrics and classification evaluation• Regression examples using k-nearest neighbor, decision trees, boosting, and more• Metrics for regression evaluation• Clustering• Dimensionality reduction• Scikit-learn pipelines