Sale
روشهای تجمیعی برای یادگیری ماشین ۲۰۲۳
Ensemble Methods for Machine Learning 2023
دانلود کتاب روشهای تجمیعی برای یادگیری ماشین ۲۰۲۳ (Ensemble Methods for Machine Learning 2023) با لینک مستقیم و فرمت pdf (پی دی اف) و ترجمه فارسی
| نویسنده |
Gautam Kunapuli |
|---|
ناشر:
Simon and Schuster
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2023 |
|---|---|
| زبان |
English |
| تعداد صفحهها |
352 |
| نوع فایل |
|
| حجم |
16.1 MB |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب روشهای تجمیعی برای یادگیری ماشین ۲۰۲۳
**یادگیری ماشین تجمیعی (Ensemble)** قدرت چندین رویکرد یادگیری ماشین را با هم ترکیب میکند و مدلهایی ارائه میدهد که هم کارایی بالایی دارند و هم دقت فوقالعاده.
درون کتاب *روشهای تجمیعی برای یادگیری ماشین* خواهید یافت:
* روشهایی برای دستهبندی (Classification)، رگرسیون، و پیشنهادها (Recommendations)
* پیادهسازیهای پیشرفته و آمادهی استفادهی تجمیعی
* جنگلهای تصادفی (Random forests)، بوستینگ (Boosting) و گرادیان بوستینگ (Gradient boosting)
* مهندسی ویژگی (Feature engineering) و تنوع تجمیعی
* تفسیرپذیری و قابلیت توضیح (Explainability) برای روشهای تجمیعی
یادگیری ماشین تجمیعی، گروه متنوعی از مدلهای یادگیری ماشین را آموزش میدهد تا با هم کار کنند و خروجی آنها را تجمیع میکند تا نتایجی غنیتر از یک مدل واحد ارائه دهد. اکنون در کتاب *روشهای تجمیعی برای یادگیری ماشین* روشهای اصلی تجمیعی را کشف خواهید کرد که سوابق اثباتشدهای هم در مسابقات علمی داده و هم در برنامههای کاربردی دنیای واقعی دارند. مطالعات موردی عملی به شما نشان میدهند که هر الگوریتم در محیط عملیاتی چگونه کار میکند. با پایان این کتاب، مزایا، محدودیتها و روشهای عملی استفاده از یادگیری ماشین تجمیعی را در دادههای دنیای واقعی خواهید دانست و برای ساخت سیستمهای یادگیری ماشین قابل توضیحتر آماده خواهید بود.
**دربارهی این فناوری**
به طور خودکار خروجی چندین مدل را با هم مقایسه، تطبیق و ترکیب کنید تا بهترین نتایج را از دادههای خود استخراج کنید. یادگیری ماشین تجمیعی روش “خرد جمعی” را به کار میگیرد که از نادرستیها و محدودیتهای یک مدل واحد جلوگیری میکند. این رویکرد نوآورانه با تکیه بر دیدگاههای متعدد، میتواند پیشبینیهای قوی و مطمئنی ارائه دهد، حتی بدون مجموعههای دادهی عظیم.
**دربارهی کتاب**
*روشهای تجمیعی برای یادگیری ماشین* تکنیکهای عملی برای به کارگیری همزمان چندین رویکرد ML را به شما آموزش میدهد. هر فصل شامل یک مطالعه موردی منحصر به فرد است که یک روش تجمیعی کاملاً کاربردی را نشان میدهد، با مثالهایی از جمله تشخیص پزشکی، تحلیل احساسات، دستهبندی دستنوشتهها و موارد دیگر. هیچ ریاضیات یا تئوری پیچیدهای وجود ندارد – شما به روشی بصری یاد خواهید گرفت، با کد کافی برای آزمایش آسان!
**چه چیزی در داخل کتاب است؟**
* بگینگ (Bagging)، بوستینگ (Boosting) و گرادیان بوستینگ (Gradient Boosting)
* روشهایی برای دستهبندی (Classification)، رگرسیون و بازیابی اطلاعات (Retrieval)
* تفسیرپذیری و قابلیت توضیح (Explainability) برای روشهای تجمیعی
* مهندسی ویژگی (Feature Engineering) و تنوع تجمیعی
**دربارهی خواننده**
برای برنامه نویسان پایتون با تجربهی یادگیری ماشین.
**دربارهی نویسنده**
گوتام کوناپولی بیش از 15 سال تجربه در دانشگاه و صنعت یادگیری ماشین دارد.
**فهرست مطالب**
**بخش 1 – مبانی روشهای تجمیعی**
1 روشهای تجمیعی: هیاهو یا تقدس؟
**بخش 2 – روشهای تجمیعی ضروری**
2 روشهای تجمیعی موازی همگن: بگینگ و جنگلهای تصادفی
3 روشهای تجمیعی موازی ناهمگن: ترکیب یادگیرندههای قوی
4 روشهای تجمیعی ترتیبی: بوستینگ تطبیقی (Adaptive Boosting)
5 روشهای تجمیعی ترتیبی: گرادیان بوستینگ (Gradient Boosting)
6 روشهای تجمیعی ترتیبی: نیوتن بوستینگ (Newton Boosting)
**بخش 3 – روشهای تجمیعی در عمل: انطباق روشهای تجمیعی با دادههای شما**
7 یادگیری با برچسبهای پیوسته و شمارشی
8 یادگیری با ویژگیهای طبقهای
9 توضیح روشهای تجمیعی خود
فهرست کتاب:
۱. داخل جلد رویی
۲. روشهای ensemble برای یادگیری ماشین
۳. حق چاپ
۴. تقدیم
۵. فهرست
۶. مطالب مقدماتی
۷. بخش ۱ مبانی ensemble
۱ روشهای ensemble: هیاهو یا سرود شکر؟
۹. بخش ۲ روشهای ensemble ضروری
۲. Ensembleهای موازی همگن: Bagging و جنگلهای تصادفی
۳. Ensembleهای موازی ناهمگن: ترکیب یادگیرندههای قوی
۴. Ensembleهای ترتیبی: Adaptive boosting
۵. Ensembleهای ترتیبی: Gradient boosting
۶. Ensembleهای ترتیبی: Newton boosting
۱۵. بخش ۳ Ensembleها در عمل: انطباق روشهای ensemble با دادههای شما
۷. یادگیری با برچسبهای پیوسته و شمارشی
۸. یادگیری با ویژگیهای دستهای
۹. تبیین ensembleهای شما
۱۹. سخن پایانی
۲۰. فهرست نمایه
۲۱. داخل جلد پشتی
توضیحات(انگلیسی)
Ensemble machine learning combines the power of multiple machine learning approaches, working together to deliver models that are highly performant and highly accurate.
Inside Ensemble Methods for Machine Learning you will find:
- Methods for classification, regression, and recommendations
- Sophisticated off-the-shelf ensemble implementations
- Random forests, boosting, and gradient boosting
- Feature engineering and ensemble diversity
- Interpretability and explainability for ensemble methods
Ensemble machine learning trains a diverse group of machine learning models to work together, aggregating their output to deliver richer results than a single model. Now in Ensemble Methods for Machine Learning you’ll discover core ensemble methods that have proven records in both data science competitions and real-world applications. Hands-on case studies show you how each algorithm works in production. By the time you're done, you'll know the benefits, limitations, and practical methods of applying ensemble machine learning to real-world data, and be ready to build more explainable ML systems.
About the Technology
Automatically compare, contrast, and blend the output from multiple models to squeeze the best results from your data. Ensemble machine learning applies a “wisdom of crowds” method that dodges the inaccuracies and limitations of a single model. By basing responses on multiple perspectives, this innovative approach can deliver robust predictions even without massive datasets.
About the Book
Ensemble Methods for Machine Learning teaches you practical techniques for applying multiple ML approaches simultaneously. Each chapter contains a unique case study that demonstrates a fully functional ensemble method, with examples including medical diagnosis, sentiment analysis, handwriting classification, and more. There’s no complex math or theory—you’ll learn in a visuals-first manner, with ample code for easy experimentation!
What’s Inside
- Bagging, boosting, and gradient boosting
- Methods for classification, regression, and retrieval
- Interpretability and explainability for ensemble methods
- Feature engineering and ensemble diversity
About the Reader
For Python programmers with machine learning experience.
About the Author
Gautam Kunapuli has over 15 years of experience in academia and the machine learning industry.
Table of Contents
PART 1 - THE BASICS OF ENSEMBLES
1 Ensemble methods: Hype or hallelujah?
PART 2 - ESSENTIAL ENSEMBLE METHODS
2 Homogeneous parallel ensembles: Bagging and random forests
3 Heterogeneous parallel ensembles: Combining strong learners
4 Sequential ensembles: Adaptive boosting
5 Sequential ensembles: Gradient boosting
6 Sequential ensembles: Newton boosting
PART 3 - ENSEMBLES IN THE WILD: ADAPTING ENSEMBLE METHODS TO YOUR DATA
7 Learning with continuous and count labels
8 Learning with categorical features
9 Explaining your ensembles
Table of Contents
1. inside front cover
2. Ensemble Methods for Machine Learning
3. Copyright
4. dedication
5. contents
6. front matter
7. Part 1 The basics of ensembles
1 Ensemble methods: Hype or hallelujah?
9. Part 2 Essential ensemble methods
2 Homogeneous parallel ensembles: Bagging and random forests
3 Heterogeneous parallel ensembles: Combining strong learners
4 Sequential ensembles: Adaptive boosting
5 Sequential ensembles: Gradient boosting
6 Sequential ensembles: Newton boosting
15. Part 3 Ensembles in the wild: Adapting ensemble methods to your data
7 Learning with continuous and count labels
8 Learning with categorical features
9 Explaining your ensembles
19. epilogue
20. index
21. inside back cover
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
