توضیحاتی در مورد کتاب Real-World Machine Learning
نام کتاب : Real-World Machine Learning
عنوان ترجمه شده به فارسی : یادگیری ماشین در دنیای واقعی
سری :
نویسندگان : Henrik Brink, Joseph Richards, Mark Fetherolf
ناشر : Manning Publications
سال نشر : 2016
تعداد صفحات : 266
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 15 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
یادگیری ماشینی در دنیای واقعی به شما مفاهیم و تکنیکهایی را میآموزد که برای اینکه یک متخصص یادگیری ماشینی موفق باشید، بدون اینکه بیش از حد در تئوری انتزاعی و ریاضیات پیچیده به شما بپردازید، میآموزید. با کار کردن بر روی مثالهای مرتبط فوری در پایتون، مهارتهایی در اکتساب دادهها و مدلسازی، طبقهبندی و رگرسیون خواهید داشت. همچنین مهمترین وظایف مانند اعتبارسنجی مدل، بهینهسازی، مقیاسپذیری، و پخش بیدرنگ را بررسی خواهید کرد. پس از اتمام کار، آماده ساخت، استقرار و نگهداری سیستمهای قدرتمند ML خود خواهید بود.
آموزش ماشینی در دنیای واقعی یک راهنمای عملی است که برای آموزش هنر اجرای پروژه ML به توسعهدهندگان فعال طراحی شده است. بدون اینکه شما را در تئوری دانشگاهی و ریاضیات پیچیده بیش از حد مصرف کند، تمرین روزمره یادگیری ماشین را معرفی می کند و شما را برای ساخت و استقرار موفقیت آمیز سیستم های قدرتمند ML آماده می کند.
پیش بینی رفتار آینده
ارزیابی و بهینه سازی عملکرد
تجزیه و تحلیل احساسات و ارائه توصیه ها
توضیحاتی در مورد کتاب به زبان اصلی :
Real-World Machine Learning will teach you the concepts and techniques you need to be a successful machine learning practitioner without overdosing you on abstract theory and complex mathematics. By working through immediately relevant examples in Python, youll build skills in data acquisition and modeling, classification, and regression. Youll also explore the most important tasks like model validation, optimization, scalability, and real-time streaming. When youre done, youll be ready to successfully build, deploy, and maintain your own powerful ML systems.
Real-World Machine Learning is a practical guide designed to teach working developers the art of ML project execution. Without overdosing you on academic theory and complex mathematics, it introduces the day-to-day practice of machine learning, preparing you to successfully build and deploy powerful ML systems.
Predicting future behavior
Performance evaluation and optimization
Analyzing sentiment and making recommendations