توضیحات
Design clever algorithms that can uncover interesting structures and hidden relationships in unstructured, unlabeled dataKey FeaturesLearn how to select the most suitable Python library to solve your problemCompare k-Nearest Neighbor (k-NN) and non-parametric methods and decide when to use themDelve into the applications of neural networks using real-world datasetsBook DescriptionUnsupervised learning is a useful and practical solution in situations where labeled data is not available.Applied Unsupervised Learning with Python guides you on the best practices for using unsupervised learning techniques in tandem with Python libraries and extracting meaningful information from unstructured data. The course begins by explaining how basic clustering works to find similar data points in a set. Once you are well versed with the k-means algorithm and how it operates, youll learn what dimensionality reduction is and where to apply it. As you progress, youll learn various neural network techniques and how they can improve your model. While studying the applications of unsupervised learning, you will also understand how to mine topics that are trending on Twitter and Facebook and build a news recommendation engine for users. You will complete the course by challenging yourself through various interesting activities such as performing a Market Basket Analysis and identifying relationships between different merchandises.By the end of this course, you will have the skills you need to confidently build your own models using Python.What you will learnUnderstand the basics and importance of clusteringBuild k-means, hierarchical, and DBSCAN clustering algorithms from scratch with built-in packagesExplore dimensionality reduction and its applicationsUse scikit-learn (sklearn) to implement and analyse principal component analysis (PCA)on the Iris datasetEmploy Keras to build autoencoder models for the CIFAR-10 datasetApply the Apriori algorithm with machine learning extensions (Mlxtend) to study transaction dataWho this book is forThis course is designed for developers, data scientists, and machine learning enthusiasts who are interested in unsupervised learning. Some familiarity with Python programming along with basic knowledge of mathematical concepts including exponents, square roots, means, and medians will be beneficial.Table of ContentsIntroduction to ClusteringHierarchical ClusteringNeighborhood Approaches and DBSCANAn Introduction to Dimensionality Reduction and PCAAutoencoderst-Distributed Stochastic Neighbor Embedding (t-SNE)Topic ModelingMarket Basket AnalysisHotspot Analysis
————————————————————–
ترجمه ماشینی :
الگوریتمهای هوشمندانهای طراحی کنید که میتوانند ساختارهای جالب و روابط پنهان را در دادههای بدون ساختار و بدون برچسب کشف کنند. ویژگیهای کلیدی یاد بگیرید چگونه مناسبترین کتابخانه پایتون را برای حل مشکل خود انتخاب کنید. k-نزدیکترین همسایه (k-NN) و روشهای ناپارامتریک را مقایسه کنید و تصمیم بگیرید که چه زمانی از آنها استفاده کنید. برنامه های کاربردی شبکه های عصبی با استفاده از مجموعه داده های دنیای واقعی کتاب توضیحات یادگیری بدون نظارت یک راه حل مفید و کاربردی در شرایطی است که داده های برچسب دار در دسترس نیست. اطلاعات معنی دار از داده های بدون ساختار این دوره با توضیح چگونگی کارکرد خوشه بندی اولیه برای یافتن نقاط داده مشابه در یک مجموعه آغاز می شود. هنگامی که با الگوریتم k-means و نحوه عملکرد آن آشنا شدید، خواهید آموخت که کاهش ابعاد چیست و کجا آن را اعمال کنید. همانطور که پیشرفت می کنید، تکنیک های مختلف شبکه های عصبی و چگونگی بهبود مدل شما را یاد می گیرید. در حین مطالعه کاربردهای یادگیری بدون نظارت، همچنین خواهید فهمید که چگونه موضوعاتی را که در توییتر و فیس بوک ترند هستند استخراج کنید و یک موتور توصیه خبری برای کاربران بسازید. شما این دوره را با به چالش کشیدن خود از طریق فعالیت های مختلف جالب مانند انجام تجزیه و تحلیل سبد بازار و شناسایی روابط بین کالاهای مختلف تکمیل خواهید کرد. در پایان این دوره، مهارت های لازم برای ساخت مدل های خود را با اطمینان با استفاده از Python خواهید داشت. شما یاد خواهید گرفت که اصول و اهمیت خوشه بندی را با استفاده از بسته های داخلی از ابتدا بسازید الگوریتم های خوشه بندی k-means، سلسله مراتبی و DBSCAN را درک کنید. کاهش ابعاد و کاربردهای آن را کاوش کنید از scikit-learn (sklearn) برای پیاده سازی و تجزیه و تحلیل مولفه های اصلی (PCA) در Iris استفاده کنید. از Keras برای ساخت مدلهای رمزگذار خودکار برای مجموعه داده CIFAR-10 استفاده کنید. الگوریتم Apriori را با پسوندهای یادگیری ماشین (Mlxtend) برای مطالعه دادههای تراکنش به کار ببرید. آشنایی با برنامه نویسی پایتون همراه با دانش اولیه مفاهیم ریاضی از جمله توان، ریشه مربع، میانگین و میانه مفید خواهد بود. )موضوع ModelingMarket Analysis Basket Analysis Hotspot
tag : دانلود کتاب یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون , Download یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون , دانلود یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون , Download Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python Book , یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون دانلود , buy یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون , خرید کتاب یادگیری بدون نظارت کاربردی با پایتون: کشف الگوها و روابط پنهان در داده های بدون ساختار با پایتون , دانلود کتاب Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python , کتاب Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python , دانلود Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python , خرید Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python , خرید کتاب Applied Unsupervised Learning with Python: Discover hidden patterns and relationships in unstructured data with Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.