توضیحات
This is not a traditional book.
The book has a lot of code. If you don’t like the code first approach do not buy this book. Making code available on Github is not an option.
This book is for people who have some theoretical knowledge of machine learning and deep learning and want to dive into applied machine learning. The book doesn’t explain the algorithms but is more oriented towards how and what should you use to solve machine learning and deep learning problems. The book is not for you if you are looking for pure basics. The book is for you if you are looking for guidance on approaching machine learning problems. The book is best enjoyed with a cup of coffee and a laptop/workstation where you can code along.
Table of contents:
– Setting up your working environment
– Supervised vs unsupervised learning
– Cross-validation
– Evaluation metrics
– Arranging machine learning projects
– Approaching categorical variables
– Feature engineering
– Feature selection
– Hyperparameter optimization
– Approaching image classification & segmentation
– Approaching text classification/regression
– Approaching ensembling and stacking
– Approaching reproducible code & model serving
There are no sub-headings. Important terms are written in bold.
I will be answering all your queries related to the book and will be making YouTube tutorials to cover what has not been discussed in the book. To ask questions/doubts, please create an issue on github repo: https://github.com/abhishekkrthakur/approachingalmost
And Subscribe to my youtube channel: https://bit.ly/abhitubesub
————————————————————–
ترجمه ماشینی :
این کتاب سنتی نیست. کتاب دارای کدهای زیادی است. اگر روش اول کد را دوست ندارید این کتاب را نخرید. در دسترس قرار دادن کد در Github یک گزینه نیست. این کتاب برای افرادی است که دانش نظری در مورد یادگیری ماشین و یادگیری عمیق دارند و می خواهند در یادگیری ماشین کاربردی شیرجه بزنند. این کتاب الگوریتمها را توضیح نمیدهد، اما بیشتر به این موضوع میپردازد که چگونه و چه چیزی باید برای حل مشکلات یادگیری ماشین و یادگیری عمیق استفاده کنید. اگر به دنبال اصول اولیه هستید، این کتاب برای شما مناسب نیست. اگر به دنبال راهنمایی برای نزدیک شدن به مشکلات یادگیری ماشین هستید، این کتاب برای شما مناسب است. این کتاب با یک فنجان قهوه و یک لپتاپ/ایستگاه کاری که میتوانید در آن کدنویسی کنید، بهتر است لذت ببرید. فهرست مطالب: – تنظیم محیط کاری – یادگیری تحت نظارت در مقابل بدون نظارت – اعتبار سنجی متقابل – معیارهای ارزیابی – ترتیب پروژه های یادگیری ماشین – نزدیک شدن به متغیرهای طبقه بندی – مهندسی ویژگی – انتخاب ویژگی – فراپارامتر بهینهسازی – نزدیک شدن به طبقهبندی و تقسیمبندی تصویر – نزدیک شدن به طبقهبندی/رگرسیون متن – نزدیک شدن به ترکیب و پشتهبندی – نزدیک شدن به کد قابل تکرار و ارائه مدل \ هیچ عنوان فرعی وجود ندارد. اصطلاحات مهم با حروف درشت نوشته شده اند. من به تمام سؤالات شما در رابطه با کتاب پاسخ خواهم داد و آموزش های YouTube را برای پوشش مواردی که در کتاب مطرح نشده است ایجاد خواهم کرد. برای پرسیدن سوال/شک و تردید، لطفاً یک مشکل در github repo ایجاد کنید: https://github.com/abhishekkrthakur/approachingalmost \ و در کانال یوتیوب من مشترک شوید: https://bit.ly/abhitubesub
tag : دانلود کتاب نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی , Download نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی , دانلود نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی , Download Approaching (Almost) Any Machine Learning Problem Book , نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی دانلود , buy نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی , خرید کتاب نزدیک کردن (تقریبا) به هر مشکل یادگیری ماشینی , دانلود کتاب Approaching (Almost) Any Machine Learning Problem , کتاب Approaching (Almost) Any Machine Learning Problem , دانلود Approaching (Almost) Any Machine Learning Problem , خرید Approaching (Almost) Any Machine Learning Problem , خرید کتاب Approaching (Almost) Any Machine Learning Problem ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.