فروشگاه انتشارات علوم رایانه دکتر عین الله جعفرنژادقمی
ارسال کاملا رایگان !
برای همه سفارش‌ها
قیمت و خرید کتاب یادگیری ماشین با پایتون در قالب مثال های کاربردی
ارسال رایگان ارسال کاملا رایگان برای همه‌ی سفارش‌ها

کتاب یادگیری ماشین با پایتون در قالب مثال های کاربردی

اثر یوکسی (هایدن) لیو، ترجمه رویا راد، از انتشارات علوم رایانه
قیمت : 410,000 تومان
افزودن به سبد خرید
پیام به فروشنده !
14,500 تومان
اعتبار هدیه بگیرید !
نظر خود را به اشتراک بگذارید
تضمین اصالت کالا
تخفیف‌های دوره‌ای
ارسال سریع به سراسر کشور
کالاهای مشابه کتاب یادگیری ماشین با پایتون
مشخصات کتاب یادگیری ماشین با پایتون
انتشارات
انتشارات علوم رایانه
مترجم
ویراست
3
تعداد صفحه
412 صفحه
سال انتشار
1400
سری چاپ
1
قطع کتاب
وزیری
نوع جلد
شومیز
زبان
فارسی
مناسب برای
بزرگسالان
شابک
978-600-205-179-0
فهرست مطالب
فصل اول: شروع کار با یادگیری ماشین و پایتون 1-1. مقدمه‌ای بر یادگیری ماشین 1-2. دانستن پیش‌نیازها 1-3. شروع با سه نوع یادگیری ماشین 1-4. کاوش در هسته‌ی اصلی یادگیری ماشین 1-5. پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها 1-6. ترکیب مدل‌ها 1-7. نصب نرم‌افزار و راه‌اندازی 1-8. خلاصه 1-9. تمرین فصل دوم: ساخت موتور پیشنهاد فیلم با نایو بیز 2-1. شروع کار با دسته‌بندی 2-2. کاوش در نایو بیز 2-3. پیاده‌سازی نایو بیز 2-4. ساخت پیشنهادگر فیلم با نایو بیز 2-5. ارزیابی عملکرد دسته‌بندی 2-6. تنظیم دقیق مدل‌ها با اعتبارسنجی متقاطع 2-7. خلاصه 2-8. تمرین فصل سوم : تشخیص چهره با ماشین بردار پشتیبان 3-1. یافتن مرز جداکننده با SVM 3-2. دسته‌بندی تصاویر چهره با SVM 3-3. دسته‌بندی حالت جنین در قلب و عروق 3-4. خلاصه 3-5. تمرین فصل چهارم: پیش‌بینی کلیک روی تبلیغات آنلاین با الگوریتم‌های مبتنی بر درخت 4-1. مروری کوتاه بر پیش‌بینی کلیک روی تبلیغ 4-2. شروع با دو نوع داده - عددی و طبقه‌ای 4-3. بررسی یک درخت تصمیم از ریشه تا برگ 4-4. پیاده‌سازی درخت تصمیم بدون کتابخانه 4-5. پیاده‌سازی درخت تصمیم با scikit-learn 4-6. پیش‌بینی کلیک روی تبلیغ با درخت تصمیم 4-7. درخت تصمیم - جنگل تصادفی 4-8. درخت تصمیم- درخت تقویت‌شده با گرادیان 4-9. خلاصه 4-10. تمرین فصل پنجم : پیش‌بینی کلیک روی تبلیغات آنلاین با رگرسیون لجستیک 5-1. تبدیل ویژگی‌های طبقه‌ای به عددی – کدگذاری تک‌نمود و کدگذاری ترتیبی 5-2. دسته‌بندی داده‌ها با رگرسیون لجستیک 5-3. آموزش مدل رگرسیون لجستیک 5-4. آموزش مجموعه داده‌های بزرگ با یادگیری آنلاین 5-5. کار با دسته‌بند چنددسته‌ای 5-6. پیاده‌سازی رگرسیون لجستیک با استفاده از TensorFlow 5-7. انتخاب ویژگی با استفاده از جنگل تصادفی 5-8. خلاصه 5-9. تمرین فصل ششم : افزایش مقیاس پیش‌بینی در رویدادنامه‌های ترابایتی کلیک 6-1. آموزش موارد ضروری آپاچی اسپارک 6-2. برنامه‌نویسی در پای اسپارک 6-3. یادگیری در مورد رویدادنامه‌های کلیک کلان با اسپارک 6-4. مهندسی ویژگی در متغیرهای دسته‌بندی با اسپارک 6-5. خلاصه 6-6. تمرین فصل هفتم: پیش‌بینی قیمت‌ سهام با الگوریتم‌های رگرسیون 7-1. مروری کوتاه بر بورس و قیمت سهام 7-2. رگرسیون چیست؟ 7-3. استخراج داده‌های قیمت سهام 7-4. تخمین با رگرسیون خطی 7-5. تخمین با رگرسیون درخت تصمیم 7-6. تخمین با رگرسیون بردار پشتیبان 7-7. ارزیابی عملکرد رگرسیون 7-8. پیش‌بینی قیمت سهام با سه الگوریتم رگرسیون 7-9. خلاصه 7-10. تمرین فصل هشتم: پیش‌بینی قیمت‌ سهام با شبکه‌های عصبی مصنوعی 8-1. ابهام‌زدایی از شبکه‌های عصبی 8-2. ایجاد شبکه‌های عصبی 8-3. انتخاب توابع مناسب 8-4. جلوگیری از بیش‌برازش در شبکه‌های عصبی 8-5. پیش‌بینی قیمت سهام با شبکه‌های عصبی 8-6. خلاصه 8-7. تمرین فصل نهم : کاوش در مجموعه داده‌های گروه‌های خبری با روش‌های تجزیه و تحلیل متن 9-1. کامپیوترها چگونه می‌فهمند- زبان NLP 9-2. گشت‌و‌گذار در کتابخانه‌های معروف NLP و انتخاب اصول اولیه NLP 9-3. دریافت داده‌های گروه‌های خبری 9-4. کاوش در داده‌های گروه‌های خبری 9-5. تفکری درباره‌ی ویژگی‌های داده‌های متنی 9-6. ترسیم داده‌های گروه‌های خبری با t-SNE 9-7. خلاصه 9-8. تمرین فصل دهم : کشف عناوین کلیدی در مجموعه گروه‌های خبری  با خوشه‌بندی و مدل‌سازی موضوع 10-1. یادگیری بدون راهنما - یادگیری بدون نظارت 10-2. خوشه‌بندی داده‌های گروه‌های خبری با استفاده از k-means 10-3.کشف موضوعات اصلی در گروه‌های خبری 10-4. خلاصه 10-5. تمرین فصل یازدهم: بهترین روش‌های یادگیری ماشین 11-1. گردش کار راه‌حل‌های مبتنی بر یادگیری ماشین 11-2. بهترین روش‌ها در مرحله‌ی آماده‌سازی داده‌ها 11-3. بهترین روش‌ها در مرحله‌ی تولید مجموعه آموزشی 11-4. بهترین روش‌ها در مرحله‌ی آموزش، ارزیابی و انتخاب مدل 11-5. بهترین روش‌ها در مرحله‌ی استقرار و نظارت 11-6. خلاصه 11-7. تمرین فصل دوازدهم : دسته‌بندی تصاویر لباس با شبکه‌های عصبی پیچشی 12-1. شروع کار با بخش‌های اصلیCNN 12-2. معماری CNN برای دسته‌بندی 12-3. کاوش در مجموعه داده‌های تصویر لباس 12-4. دسته‌بندی تصاویر لباس با CNN 12-5. تقویت دسته‌بندی CNN با افزایش داده‌ها 12-6. بهبود دسته‌بندی تصویر لباس با افزایش داده‌ها 12-7. خلاصه 12-8. تمرین فصل سیزدهم : پیش‌بینی توالی‌ها با استفاده از شبکه‌های عصبی بازگشتی 13-1. معرفی یادگیری متوالی 13-2. یادگیری معماری RNN با مثال 13-3. آموزش مدل RNN 13-4. غلبه بر وابستگی‌های طولانی‌مدت با حافظه‌ی طولانی کوتاه‌مدت 13-5. تجزیه و تحلیل احساسات در نظرات فیلم‌ها با RNN‌ها 13-6. نوشتن رمان جنگ و صلح خود با RNN‌ها 13-7. پیشرفت درک زبان با مدل مبدل 13-8. خلاصه 13-9. تمرین فصل چهاردهم : تصمیم‌گیری در محیط‌های پیچیده با یادیگری تقویتی 14-1. تنظیم محیط کار 14-2. معرفی یادگیری تقویتی با مثال 14-3. حل محیط دریاچه‌ی یخی با برنامه‌نویسی پویا 14-4. پیاده‌سازی یادگیری مونت کارلو 14-5. حل مسأله‌ی تاکسی با الگوریتم یادگیری Q 14-6. خلاصه 14-7. تمرین واژه‌نامه انگلیسی به فارسی واژه‌نامه فارسی به انگلیسی اختصارات منابع و مآخذ
نظر خود را به اشتراک بگذارید
commentuser
Copyright © 2023 Powered By Olomrayaneh web developer team, All Rights Reserved.
فروشگاه انتشارات علوم رایانه دکتر عین الله جعفرنژادقمی - لوگو