توضیحات
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 :
نویسنده Ankur Patel دانش عملی در مورد نحوه اعمال یادگیری بدون نظارت با استفاده از دو چارچوب ساده و آماده پایتون scikit Learn و TensorFlow با استفاده از Keras ارائه میدهد. با استفاده از مثالها و کد ارائه شده، پیدا کردن الگوهای دشوار در دادهها را شناسایی میکنید و بینش عمیقتری کسب میکنید، ناهنجاریها را شناسایی میکنید، مهندسی و انتخاب خودکار ویژگیها را انجام میدهید و مجموعههای داده مصنوعی تولید میکنید. تنها چیزی که برای شروع به کار نیاز دارید برنامه نویسی و تجربه یادگیری ماشینی است.
- نقاط قوت و ضعف رویکردهای مختلف یادگیری ماشین را مقایسه کنید: تحت نظارت، بدون نظارت و یادگیری تقویتی
- راه اندازی و مدیریت یک پروژه یادگیری ماشین برای پایان دادن به همه چیز از جمع آوری داده تا ساخت مدل و پیاده سازی راه حل در تولید
- استفاده از الگوریتمهای خوشهبندی برای کاربران بخشهایی مانند وام گیرندگان وام در گروه های متمایز و همگن
- از رمزگذارهای خودکار برای انجام مهندسی و انتخاب ویژگی های خودکار استفاده کنید
- ترکیب الگوریتم های یادگیری تحت نظارت و بدون نظارت برای توسعه راه حل های نیمه نظارت شده
- ساخت سیستم های توصیه کننده فیلم با استفاده از ماشین های محدود بولتزمن
- تولید تصاویر مصنوعی با استفاده از شبکه های اعتقادی عمیق و مولد شبکه های متخاصم
- اجرای خوشه بندی بر روی داده های سری زمانی مانند الکتروکاردیوگرام
- کاوش در موفقیت های یادگیری بدون نظارت تا به امروز و امیدوار کننده آن آینده
< li>از الگوریتمهای کاهش ابعاد برای کشف مرتبطترین اطلاعات در دادهها و ایجاد یک سیستم تشخیص ناهنجاری برای کشف کلاهبرداری کارت اعتباری استفاده کنید
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.