توضیحات
Learn how to apply test-driven development (TDD) to machine-learning algorithmsand 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 cant 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 youre familiar with Ruby 2.1, youre 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
————————————————————–
ترجمه ماشینی :
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، اعمال کنید.
الگوریتمهای یادگیری ماشینی اغلب دارای آزمایشها انجام شدهاند، اما نمیتوانند خطاهای انسانی در کدنویسی را در نظر بگیرند. به جای تکیه کورکورانه بر نتایج یادگیری ماشینی، همانطور که بسیاری از محققان انجام دادهاند، میتوانید خطر خطاها را با TDD کاهش دهید و کدهای یادگیری ماشینی تمیز و پایدار بنویسید. اگر با Ruby 2.1 آشنا هستید، آماده شروع هستید.
قبل از شروع کدنویسی، از TDD برای نوشتن و اجرای تست ها استفاده کنید
بهترین کاربردها و معاوضه های هشت الگوریتم یادگیری ماشین را بیاموزید
از مثال های دنیای واقعی برای آزمایش استفاده کنید هر الگوریتم از طریق تمرینهای درگیرکننده و عملی
درک شباهتهای بین TDD و روش علمی اعتبارسنجی راهحلها
از خطرات یادگیری ماشین آگاه باشید، مانند عدم تناسب و بیشبرازش دادهها
تکنیکهایی را برای بهبود خود کاوش کنید. مدل های یادگیری ماشینی یا استخراج داده ها
tag : دانلود کتاب یادگیری ماشینی متفکرانه , Download یادگیری ماشینی متفکرانه , دانلود یادگیری ماشینی متفکرانه , Download Thoughtful Machine Learning Book , یادگیری ماشینی متفکرانه دانلود , buy یادگیری ماشینی متفکرانه , خرید کتاب یادگیری ماشینی متفکرانه , دانلود کتاب Thoughtful Machine Learning , کتاب Thoughtful Machine Learning , دانلود Thoughtful Machine Learning , خرید Thoughtful Machine Learning , خرید کتاب Thoughtful Machine Learning ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.