یادگیری ماشین: عملی برای توسعه دهندگان و متخصصان فنی ۲۰۲۰
Machine Learning: Hands-On for Developers and Technical Professionals 2020

دانلود کتاب یادگیری ماشین: عملی برای توسعه دهندگان و متخصصان فنی ۲۰۲۰ (Machine Learning: Hands-On for Developers and Technical Professionals 2020) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده

Jason Bell

ناشر: Wiley
voucher-1

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار

2020

زبان

English

نوع فایل

pdf

حجم

8 Mb

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

🏷️ قیمت اصلی: ۳۷۸٬۰۰۰ تومان بود. قیمت فعلی: ۲۹۸٬۰۰۰ تومان.

📥 دانلود نسخه‌ی اصلی کتاب به زبان انگلیسی(PDF)
🧠 به همراه ترجمه‌ی فارسی با هوش مصنوعی 🔗 مشاهده جزئیات

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

توضیحات

معرفی کتاب یادگیری ماشین: عملی برای توسعه دهندگان و متخصصان فنی ۲۰۲۰

با یک راهنمای عملی برای یادگیری ماشین با مثال های به روز و بیشتر، به عمق داده ها کاوش کنید!

یادگیری ماشین: عملی برای توسعه دهندگان و متخصصان فنی، آموزش عملی و مثال های کارکردی با کد کامل را برای رایج ترین تکنیک های یادگیری ماشین که توسط توسعه دهندگان و متخصصان فنی مورد استفاده قرار می گیرد، ارائه می دهد. این کتاب شامل تجزیه ای از هر نوع ML است، توضیح می دهد که چگونه کار می کند و چگونه در صنایع خاص استفاده می شود، به خوانندگان اجازه می دهد تا با دنبال کردن این تکنیک ها، تکنیک های ارائه شده را در کار خود بگنجانند. یک عنصر اصلی یادگیری ماشین، تمرکز شدید بر آماده سازی داده ها است و بررسی کامل انواع مختلف الگوریتم های یادگیری نشان می دهد که چگونه ابزارهای مناسب می توانند به هر توسعه دهنده ای کمک کنند تا اطلاعات و بینش ها را از داده های موجود استخراج کند. این کتاب شامل مجموعه کاملی از مواد مدرسان برای تسهیل استفاده در کلاس درس است، که این منبع را برای دانش آموزان و به عنوان یک مرجع حرفه ای مفید می کند.

در هسته خود، یادگیری ماشین یک فناوری ریاضی و مبتنی بر الگوریتم است که اساس داده کاوی تاریخی و علم داده بزرگ مدرن را تشکیل می دهد. تجزیه و تحلیل علمی داده های بزرگ نیازمند دانش عملی از یادگیری ماشین است که پیش بینی هایی را بر اساس ویژگی های شناخته شده ای که از داده های آموزشی آموخته شده است، ایجاد می کند. یادگیری ماشین یک راهنمای جامع و در دسترس برای غیرریاضی دانان است که راهنمایی روشنی را ارائه می دهد که به خوانندگان اجازه می دهد:

  • زبان های یادگیری ماشین از جمله Hadoop، Mahout و Weka را بیاموزند
  • درخت تصمیم، شبکه های بیزی و شبکه های عصبی مصنوعی را درک کنند
  • Association Rule، Real Time و Batch learning را پیاده سازی کنند
  • یک برنامه استراتژیک برای یادگیری ماشین ایمن، موثر و کارآمد توسعه دهند

با یادگیری ساخت سیستمی که می تواند از داده ها بیاموزد، خوانندگان می توانند کارایی خود را در صنایع مختلف افزایش دهند. یادگیری ماشین در هسته تجزیه و تحلیل و تجسم داده های عمیق قرار دارد که با کشف معدن طلا پنهان در داده های موجود، تقاضای آن در شرکت ها به طور فزاینده ای در حال افزایش است. برای متخصصان فنی درگیر در علم داده، یادگیری ماشین: عملی برای توسعه دهندگان و متخصصان فنی مهارت ها و تکنیک های مورد نیاز برای کاوش عمیق تر را فراهم می کند.


فهرست کتاب:

۱. جلد

۲. صفحه عنوان

۳. حق نشر

۴. درباره نویسنده

۵. درباره ویراستار فنی

۶. تقدیر و تشکر

۷. فهرست مطالب

۸. مقدمه

۹. فصل ۱: یادگیری ماشین چیست؟

۱۰. فصل ۲: برنامه ریزی برای یادگیری ماشین

۱۱. فصل ۳: تکنیک های اکتساب داده

۱۲. فصل ۴: آمار، رگرسیون خطی و تصادف

۱۳. فصل ۵: کار با درخت های تصمیم

۱۴. فصل ۶: خوشه بندی

۱۵. فصل ۷: یادگیری قوانین وابستگی

۱۶. فصل ۸: ماشین های بردار پشتیبان

۱۷. فصل ۹: شبکه های عصبی مصنوعی

۱۸. فصل ۱۰: یادگیری ماشین با اسناد متنی

۱۹. فصل ۱۱: یادگیری ماشین با تصاویر

۲۰. فصل ۱۲: جریان یادگیری ماشین با کافکا

۲۱. فصل ۱۳: آپاچی اسپارک

۲۲. فصل ۱۴: یادگیری ماشین با R

۲۳. ضمیمه الف: شروع سریع کافکا

۲۴. ضمیمه ب: پیکربندی برنامه توسعه دهنده API توییتر

۲۵. ضمیمه ج: دستورات مفید یونیکس

۲۶. ضمیمه د: مطالعه بیشتر

۲۷. نمایه

۲۸. توافقنامه مجوز کاربر نهایی

 

توضیحات(انگلیسی)

Dig deep into the data with a hands-on guide to machine learning with updated examples and more!

Machine Learning: Hands-On for Developers and Technical Professionals provides hands-on instruction and fully-coded working examples for the most common machine learning techniques used by developers and technical professionals. The book contains a breakdown of each ML variant, explaining how it works and how it is used within certain industries, allowing readers to incorporate the presented techniques into their own work as they follow along. A core tenant of machine learning is a strong focus on data preparation, and a full exploration of the various types of learning algorithms illustrates how the proper tools can help any developer extract information and insights from existing data. The book includes a full complement of Instructor’s Materials to facilitate use in the classroom, making this resource useful for students and as a professional reference.

At its core, machine learning is a mathematical, algorithm-based technology that forms the basis of historical data mining and modern big data science. Scientific analysis of big data requires a working knowledge of machine learning, which forms predictions based on known properties learned from training data. Machine Learning is an accessible, comprehensive guide for the non-mathematician, providing clear guidance that allows readers to:

  • Learn the languages of machine learning including Hadoop, Mahout, and Weka
  • Understand decision trees, Bayesian networks, and artificial neural networks
  • Implement Association Rule, Real Time, and Batch learning
  • Develop a strategic plan for safe, effective, and efficient machine learning

By learning to construct a system that can learn from data, readers can increase their utility across industries. Machine learning sits at the core of deep dive data analysis and visualization, which is increasingly in demand as companies discover the goldmine hiding in their existing data. For the tech professional involved in data science, Machine Learning: Hands-On for Developers and Technical Professionals provides the skills and techniques required to dig deeper.


Table of Contents

1. Cover

2. Title Page

3. Copyright

4. About the Author

5. About the Technical Editor

6. Acknowledgments

7. Contents

8. Introduction

9. Chapter 1 What Is Machine Learning?

10. Chapter 2 Planning for Machine Learning

11. Chapter 3 Data Acquisition Techniques

12. Chapter 4 Statistics, Linear Regression, and Randomness

13. Chapter 5 Working with Decision Trees

14. Chapter 6 Clustering

15. Chapter 7 Association Rules Learning

16. Chapter 8 Support Vector Machines

17. Chapter 9 Artificial Neural Networks

18. Chapter 10 Machine Learning with Text Documents

19. Chapter 11 Machine Learning with Images

20. Chapter 12 Machine Learning Streaming with Kafka

21. Chapter 13 Apache Spark

22. Chapter 14 Machine Learning with R

23. Appendix A Kafka Quick Start

24. Appendix B The Twitter API Developer Application Configuration

25. Appendix C Useful Unix Commands

26. Appendix D Further Reading

27. Index

28. EULA

دیگران دریافت کرده‌اند

سایر کتاب‌های ناشر

✨ 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.