توضیحات
Many industry experts consider unsupervised learning the next frontier in artificial intelligence, one that may hold the key to the holy grail in AI research, the so-called general artificial intelligence. Since the majority of the world’s data is unlabeled, conventional supervised learning cannot be applied; this is where unsupervised learning comes in. Unsupervised learning can be applied to unlabeled datasets to discover meaningful patterns buried deep in the data, patterns that may be near impossible for humans to uncover.
Author Ankur Patel provides practical knowledge on how to apply unsupervised learning using two simple, production-ready Python frameworks – scikit-learn and TensorFlow using Keras. With the hands-on examples and code provided, you will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
Compare the strengths and weaknesses of the different machine learning approaches: supervised, unsupervised, and reinforcement learning
Set up and manage a machine learning project end-to-end – everything from data acquisition to building a model and implementing a solution in production
Use dimensionality reduction algorithms to uncover the most relevant information in data and build an anomaly detection system to catch credit card fraud
Apply clustering algorithms to segment users – such as loan borrowers – into distinct and homogeneous groups
Use autoencoders to perform automatic feature engineering and selection
Combine supervised and unsupervised learning algorithms to develop semi-supervised solutions
Build movie recommender systems using restricted Boltzmann machines
Generate synthetic images using deep belief networks and generative adversarial networks
Perform clustering on time series data such as electrocardiograms
Explore the successes of unsupervised learning to date and its promising future
————————————————————–
ترجمه ماشینی :
بسیاری از کارشناسان صنعت، یادگیری بدون نظارت را مرز بعدی در هوش مصنوعی می دانند، چیزی که ممکن است کلید جام مقدس را در تحقیقات هوش مصنوعی، به اصطلاح هوش مصنوعی عمومی، نگه دارد. از آنجایی که اکثر داده های جهان بدون برچسب هستند، یادگیری تحت نظارت مرسوم را نمی توان اعمال کرد. اینجاست که یادگیری بدون نظارت وارد می شود. یادگیری بدون نظارت را می توان در مجموعه داده های بدون برچسب برای کشف الگوهای معنی دار مدفون در اعماق داده ها اعمال کرد، الگوهایی که ممکن است کشف آنها برای انسان تقریباً غیرممکن باشد. \ نویسنده Ankur Patel دانش عملی در مورد نحوه اعمال یادگیری بدون نظارت با استفاده از دو چارچوب ساده پایتون – scikit-learn و TensorFlow با استفاده از Keras ارائه میکند. با مثالهای عملی و کد ارائهشده، الگوهای دشواری را در دادهها شناسایی میکنید و بینش عمیقتری کسب میکنید، ناهنجاریها را شناسایی میکنید، مهندسی و انتخاب خودکار ویژگیها را انجام میدهید و مجموعه دادههای مصنوعی تولید میکنید. تنها چیزی که برای شروع نیاز دارید برنامه نویسی و تجربه یادگیری ماشینی است. نقاط قوت و ضعف رویکردهای مختلف یادگیری ماشین را مقایسه کنید: یادگیری تحت نظارت، بدون نظارت و تقویتی راه اندازی و مدیریت یک پروژه یادگیری ماشینی به صورت سرتاسر – همه چیز از جمع آوری داده تا ساخت مدل و پیاده سازی راه حل در تولید از الگوریتمهای کاهش ابعاد برای کشف مرتبطترین اطلاعات در دادهها و ایجاد یک سیستم تشخیص ناهنجاری برای کشف تقلب در کارت اعتباری استفاده کنید الگوریتمهای خوشهبندی را برای تقسیمبندی کاربران – مانند وامگیرندگان – به گروههای متمایز و همگن بکار ببرید از رمزگذارهای خودکار برای انجام مهندسی ویژگیهای خودکار استفاده کنید. و انتخاب ترکیب الگوریتمهای یادگیری تحت نظارت و بدون نظارت برای توسعه راهحلهای نیمهنظارتی ساخت سیستمهای توصیهکننده
tag : دانلود کتاب آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب , Download آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب , دانلود آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب , Download Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data Book , آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب دانلود , buy آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب , خرید کتاب آموزش بدون نظارت عملی با استفاده از پایتون: نحوه ایجاد راه حل های کاربردی یادگیری ماشینی از داده های بدون برچسب , دانلود کتاب Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data , کتاب Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data , دانلود Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data , خرید Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data , خرید کتاب Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.