توضیحات
Concepts of Machine Learning with Practical Approaches.
Key Features
Includes real-scenario examples to explain the working of Machine Learning algorithms.
Includes graphical and statistical representation to simplify modeling Machine Learning and Neural Networks.
Full of Python codes, numerous exercises, and model question papers for data science students.
Description
The book offers the readers the fundamental concepts of Machine Learning techniques in a user-friendly language. The book aims to give in-depth knowledge of the different Machine Learning (ML) algorithms and the practical implementation of the various ML approaches.
This book covers different Supervised Machine Learning algorithms such as Linear Regression Model, Nave Bayes classifier Decision Tree, K-nearest neighbor, Logistic Regression, Support Vector Machine, Random forest algorithms, Unsupervised Machine Learning algorithms such as k-means clustering, Hierarchical Clustering, Probabilistic clustering, Association rule mining, Apriori Algorithm, f-p growth algorithm, Gaussian mixture model and Reinforcement Learning algorithm such as Markov Decision Process (MDP), Bellman equations, policy evaluation using Monte Carlo, Policy iteration and Value iteration, Q-Learning, State-Action-Reward-State-Action (SARSA). It also includes various feature extraction and feature selection techniques, the Recommender System, and a brief overview of Deep Learning.
What you will learn
Perform feature extraction and feature selection techniques.
Learn to select the best Machine Learning algorithm for a given problem.
Get a stronghold in using popular Python libraries like Scikit-learn, pandas, and matplotlib.
Practice how to implement different types of Machine Learning techniques.
Who this book is for
This book is designed for data science and analytics students, academicians, and researchers who want to explore the concepts of machine learning and practice the understanding of real cases. Knowing basic statistical and programming concepts would be good, although not mandatory.
Table of Contents
1. Introduction
2. Supervised Learning Algorithms
3. Unsupervised Learning
4. Introduction to the Statistical Learning Theory
5. Semi-Supervised Learning and Reinforcement Learning
6. Recommended Systems
About the Authors
Dr Ruchi Doshi has more than 14 years of academic, research, and software development experience in Asia and Africa. Currently, she is working as a research supervisor at the Azteca University, Mexico, and as an adjunct faculty at the Jyoti Vidyapeeth Womens University, Jaipur, Rajasthan, India.
Kamal Kant Hiran works as an Assistant Professor, School of Engineering at the Sir Padampat Singhania University (SPSU), Udaipur, Rajasthan, India as well as a Research Fellow at the Aalborg University, Copenhagen, Denmark. He is a Gold Medalist in M.Tech. (Hons.). He has more than 16 years of experience as an academic and researcher in Asia, Africa, and Europe.
Ritesh Kumar Jain works as an Assistant Professor, at the Geetanjali Institute of Technical Studies, (GITS), Udaipur, Rajasthan, India. He has more than 15 years of teaching and research experience.
Dr. Kamlesh Lakhwani works as an Associate Professor, in Computer Science & Engineering at JECRC University Jaipur, Rajasthan, India. He has an excellent academic background and a rich experience of 15 years as an academician and researcher in Asia.
————————————————————–
ترجمه ماشینی :
مفاهیم یادگیری ماشین با رویکردهای عملی.
ویژگیهای کلیدی
شامل نمونههای سناریوی واقعی برای توضیح عملکرد الگوریتمهای یادگیری ماشین است.
شامل نمایش گرافیکی و آماری برای سادهسازی مدلسازی یادگیری ماشین و شبکههای عصبی است. /p>
مملو از کدهای پایتون، تمرینهای متعدد و نمونه سوالات برای دانشجویان علوم داده است.
توضیح
این کتاب مفاهیم اساسی یادگیری ماشینی را به خوانندگان ارائه می دهد. تکنیک ها به زبان کاربر پسند هدف این کتاب ارائه دانش عمیق در مورد الگوریتمهای مختلف یادگیری ماشین (ML) و اجرای عملی رویکردهای مختلف ML است.
این کتاب الگوریتمهای مختلف یادگیری ماشینی تحت نظارت را پوشش میدهد. به عنوان مدل رگرسیون خطی، درخت تصمیم طبقهبندیکننده Nave Bayes، K-نزدیکترین همسایه، رگرسیون لجستیک، ماشین بردار پشتیبان، الگوریتمهای جنگل تصادفی، الگوریتمهای یادگیری ماشینی نظارتنشده مانند خوشهبندی k-means، خوشهبندی سلسله مراتبی، خوشهبندی احتمالاتی Agororiing، Minuting قاعدهبندی انجمن ، الگوریتم رشد fp، مدل مخلوط گوسی و الگوریتم یادگیری تقویتی مانند فرآیند تصمیم گیری مارکوف (MDP)، معادلات بلمن، ارزیابی خط مشی با استفاده از مونت کارلو، تکرار خط مشی و تکرار ارزش، یادگیری Q، حالت-عمل-پاداش-حالت-عمل ( سارسا). همچنین شامل استخراج ویژگیهای مختلف و تکنیکهای انتخاب ویژگی، سیستم توصیهکننده، و یک نمای کلی از یادگیری عمیق است.
آنچه میخواهید یادگیری
تکنیکهای استخراج ویژگی و انتخاب ویژگی را انجام دهید.
انتخاب بهترین الگوریتم یادگیری ماشینی برای یک مسئله معین را بیاموزید.
در استفاده از کتابخانههای محبوب پایتون مانند Scikit-learn، پانداها، و matplotlib سنگری به دست آورید.
نحوه پیادهسازی انواع مختلف تکنیکهای یادگیری ماشین را تمرین کنید.
< p>
این کتاب برای چه کسی است
این کتاب برای دانشجویان علوم داده و تجزیه و تحلیل، دانشگاهیان طراحی شده است. و محققانی که می خواهند مفاهیم یادگیری ماشینی را کشف کنند و درک موارد واقعی را تمرین کنند. دانستن مفاهیم اولیه آماری و برنامه نویسی خوب است، اگرچه اجباری نیست.
فهرست محتوا
1. مقدمه
2. الگوریتم های یادگیری تحت نظارت
3. یادگیری بدون نظارت
4. مقدمه ای بر نظریه یادگیری آماری
5. یادگیری نیمه نظارتی و یادگیری تقویتی
6. سیستم های پیشنهادی
درباره نویسندگان
دکتر روچی دوشی< /b> بیش از 14 سال تجربه آکادمیک، تحقیقاتی و توسعه نرم افزار در آسیا و آفریقا دارد. در حال حاضر، او به عنوان ناظر پژوهشی در دانشگاه آزتکا، مکزیک، و به عنوان یک هیئت علمی در دانشگاه زنان جیوتی ویدیاپیث، جیپور، راجستان، هند مشغول به کار است.
کمال کانت هیران به عنوان استادیار، دانشکده مهندسی در دانشگاه سر پادامپات سینگانیا (SPSU)، اودایپور کار می کند. ، راجستان، هند و همچنین یک محقق در دانشگاه آلبورگ، کپنهاگ، دانمارک. او مدال طلای M.Tech است. (شماها). او بیش از 16 سال تجربه به عنوان آکادمیک و محقق در آسیا، آفریقا و اروپا دارد.
Ritesh Kumar Jain به عنوان استادیار کار می کند. در موسسه مطالعات فنی Geetanjali، (GITS)، اودایپور، راجستان، هند. وی بیش از 15 سال سابقه تدریس و پژوهش دارد.
دکتر کاملش لخوانیبه عنوان دانشیار در رشته علوم کامپیوتر و amp; مهندسی در دانشگاه JECRC جیپور، راجستان، هند. او دارای پیشینه علمی عالی و تجربه غنی 15 ساله به عنوان یک دانشگاهیان و محقق در آسیا است.
tag : دانلود کتاب یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) , Download یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) , دانلود یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) , Download Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) Book , یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) دانلود , buy یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) , خرید کتاب یادگیری ماشینی: الگوریتمهای یادگیری تحت نظارت و بدون نظارت با مثالهای واقعی (نسخه انگلیسی) , دانلود کتاب Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) , کتاب Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) , دانلود Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) , خرید Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) , خرید کتاب Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.