توضیحات
You’ll start with an introduction to streaming data, the various challenges associated with it, some of its real-world business applications, and various windowing techniques. You’ll then examine incremental and online learning algorithms, and the concept of model evaluation with streaming data and get introduced to the Scikit-Multiflow framework in Python. This is followed by a review of the various change detection/concept drift detection algorithms and the implementation of various datasets using Scikit-Multiflow.
Introduction to the various supervised and unsupervised algorithms for streaming data, and their implementation on various datasets using Python are also covered. The book concludes by briefly covering other open-source tools available for streaming data such as Spark, MOA (Massive Online Analysis), Kafka, and more.
- Understand machine learning with streaming data concepts
- Review incremental and online learning
- Develop models for detecting concept drift
- Explore techniques for classification, regression, and ensemble learning in streaming data contexts
- Apply best practices for debugging and validating machine learning models in streaming data context
- Get introduced to other open-source frameworks for handling streamingdata.
————————————————————–
ترجمه ماشینی :
شما با این شروع خواهید کرد. مقدمهای بر جریان داده، چالشهای مختلف مرتبط با آن، برخی از برنامههای کاربردی تجاری در دنیای واقعی و تکنیکهای مختلف پنجرهسازی. سپس الگوریتمهای یادگیری افزایشی و آنلاین و مفهوم ارزیابی مدل با دادههای جریانی را بررسی کرده و با چارچوب Scikit-Multiflow در پایتون آشنا میشوید. در ادامه مروری بر الگوریتمهای مختلف تشخیص تغییر/تشخیص رانش مفهومی و پیادهسازی مجموعههای داده مختلف با استفاده از Scikit-Multiflow انجام میشود.
مقدمهای بر الگوریتمهای مختلف نظارتشده و بدون نظارت برای جریان دادهها، و اجرای آنها در مجموعه داده های مختلف با استفاده از پایتون نیز پوشش داده شده است. این کتاب با پوشش مختصر سایر ابزارهای منبع باز موجود برای پخش دادهها مانند Spark، MOA (تحلیل آنلاین عظیم)، کافکا و موارد دیگر به پایان میرسد.
- درک یادگیری ماشینی با مفاهیم جریان داده
- مرور افزایشی و یادگیری آنلاین
- توسعه مدل هایی برای تشخیص انحراف مفهومی
- کاوش تکنیک های طبقه بندی، رگرسیون و یادگیری گروهی در زمینه های جریان داده
- به کارگیری بهترین شیوه ها برای اشکال زدایی و اعتبارسنجی مدلهای یادگیری ماشین در زمینه دادههای جریانی
- با سایر چارچوبهای منبع باز برای مدیریت دادههای جریانی آشنا شوید.
tag : دانلود کتاب یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین , Download یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین , دانلود یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین , Download Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models Book , یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین دانلود , buy یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین , خرید کتاب یادگیری ماشینی عملی برای استریم داده ها با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین , دانلود کتاب Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models , کتاب Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models , دانلود Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models , خرید Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models , خرید کتاب Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models ,
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.