مشخصات
- خلاصه کتابیک راهنمای ضروری برای مقابله با داده‌های پرت و ناهنجاری‌ها در یادگیری ماشین و علم داده. در سال‌های اخیر، یادگیری ماشین (ML) تقریباً هر حوزه‌ای از تحقیق و فناوری را متحول کرده و به یکی از ابزارهای کلیدی برای دانشمندان داده تبدیل شده است. یادگیری ماشین قوی، رویکردی جدید برای مدیریت داده‌های پرت در مجموعه داده‌ها است که جنبه‌ای اغلب نادیده گرفته شده از علم داده است. نادیده گرفتن داده‌های پرت می‌تواند منجر به تصمیمات تجاری بد، تشخیص‌های پزشکی اشتباه، رسیدن به نتیجه‌گیری‌های اشتباه یا ارزیابی نادرست اهمیت ویژگی‌ها شود، که تنها چند نمونه از این موارد هستند. کتاب «مبانی یادگیری ماشین قوی» با تمرکز بر نحوه مدیریت صحیح داده‌های پرت و ناهنجاری‌ها در مجموعه داده‌ها، مروری کامل اما قابل فهم از این موضوع ارائه می‌دهد. دو رویکرد اصلی در این کتاب شرح داده شده است: استفاده از ابزارهای یادگیری ماشین مقاوم در برابر داده‌های پرت، یا حذف داده‌های پرت قبل از استفاده از ابزارهای استاندارد. این کتاب با ایجاد تعادل بین مبانی نظری و کد عملی پایتون، تمام مهارت‌های لازم را برای افزایش دقت، پایداری و قابلیت اطمینان مدل‌های یادگیری ماشین فراهم می‌کند. خوانندگان کتاب «مبانی یادگیری ماشین قوی» همچنین موارد زیر را خواهند یافت: ترکیبی از اصول آمار قوی و یادگیری ماشین، بحث مفصل در مورد طیف گسترده‌ای از روش‌های قوی یادگیری ماشین، از خوشه‌بندی قوی، رگرسیون و طبقه‌بندی گرفته تا شبکه‌های عصبی و تشخیص ناهنجاری، کد پایتون با کاربرد فوری در مسائل علم داده، «مبانی یادگیری ماشین قوی» برای دانشجویان کارشناسی یا کارشناسی ارشد در علوم داده، یادگیری ماشین و زمینه‌های مرتبط، و همچنین برای متخصصان این حوزه که به دنبال افزایش درک خود از ساخت مدل‌ها در حضور داده‌های پرت هستند، ایده‌آل است.
- زبان نوشتارایتالیایی
- طراحی صفحاتمتن و تصویر
- چاپ صفحهسیاه و سفید
- نویسندهجمعی از نویسندگان
- ناشرآوای مؤلف
- موضوعکامپیوتر
- قطعوزیری
- نوع جلدسلفون با قاب
- نوع کاغذتحریر
- تعداد صفحه409
- گروه سنیهمه سنین
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.