Sale
یادگیری ماشینی عملی برای داده های جریانی با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین ۲۰۲۱
Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models 2021
دانلود کتاب یادگیری ماشینی عملی برای داده های جریانی با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین ۲۰۲۱ (Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models 2021) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Sayan Putatunda |
|---|
ناشر:
Apress
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2021 |
|---|---|
| زبان |
English |
| نوع فایل |
|
| حجم |
2 Mb |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب یادگیری ماشینی عملی برای داده های جریانی با پایتون: طراحی، توسعه و اعتبارسنجی مدل های یادگیری آنلاین ۲۰۲۱
طراحی، توسعه و اعتبارسنجی مدل های یادگیری ماشین با داده های استریمینگ با استفاده از چارچوب Scikit-Multiflow. این کتاب یک راهنمای شروع سریع برای دانشمندان داده و مهندسین یادگیری ماشین است که به دنبال پیاده سازی مدل های یادگیری ماشین برای داده های استریمینگ با پایتون برای تولید بینش های بلادرنگ هستند.
شما با مقدمه ای بر داده های استریمینگ، چالش های مختلف مرتبط با آن، برخی از کاربردهای تجاری آن در دنیای واقعی و تکنیک های مختلف پنجره بندی شروع خواهید کرد. سپس الگوریتم های یادگیری افزایشی و آنلاین را بررسی خواهید کرد و مفهوم ارزیابی مدل با داده های استریمینگ را خواهید دید و با چارچوب Scikit-Multiflow در پایتون آشنا خواهید شد. در ادامه، مروری بر الگوریتم های مختلف تشخیص تغییر/تشخیص تغییر مفهوم و پیاده سازی مجموعه داده های مختلف با استفاده از Scikit-Multiflow خواهیم داشت.
مقدمه ای بر الگوریتم های مختلف نظارت شده و بدون نظارت برای داده های استریمینگ و پیاده سازی آنها در مجموعه داده های مختلف با استفاده از پایتون نیز پوشش داده شده است. این کتاب با پوشش مختصر ابزارهای متن باز دیگر موجود برای داده های استریمینگ مانند Spark، MOA (تجزیه و تحلیل آنلاین انبوه)، Kafka و موارد دیگر به پایان می رسد.
آنچه خواهید آموخت
* درک یادگیری ماشین با مفاهیم داده های استریمینگ
* مرور یادگیری افزایشی و آنلاین
* توسعه مدل برای تشخیص تغییر مفهوم
* بررسی تکنیک های طبقه بندی، رگرسیون و یادگیری آنسامبل در زمینه های داده های استریمینگ
* اعمال بهترین شیوه ها برای اشکال زدایی و اعتبارسنجی مدل های یادگیری ماشین در زمینه داده های استریمینگ
* آشنایی با چارچوب های متن باز دیگر برای پردازش داده های استریمینگ.
برای چه کسانی مناسب است
مهندسین یادگیری ماشین و متخصصین علم داده
فهرست کتاب:
۱. جلد
۲. مطالب آغازین
۱. مقدمهای بر دادههای جریانی
۲. شناسایی تغییر مفهوم در جریانهای داده
۳. یادگیری نظارت شده برای دادههای جریانی
۴. یادگیری بدون نظارت و سایر ابزارها برای دادهکاوی جریان داده
۷. مطالب پایانی
توضیحات(انگلیسی)
Design, develop, and validate machine learning models with streaming data using the Scikit-Multiflow framework. This book is a quick start guide for data scientists and machine learning engineers looking to implement machine learning models for streaming data with Python to generate real-time insights.
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.
What You'll Learn
- 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.
Who This Book Is For
Machine learning engineers and data science professionals
Table of Contents
1. Cover
2. Front Matter
1. An Introduction to Streaming Data
2. Concept Drift Detection in Data Streams
3. Supervised Learning for Streaming Data
4. Unsupervised Learning and Other Tools for Data Stream Mining
7. Back Matter
دیگران دریافت کردهاند
✨ 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.
