دانلود کتاب Hands-On Machine Learning with ML.NET: Getting started with Microsoft ML.NET to implement popular machine learning algorithms in C# (به فارسی: آموزش ماشینی عملی با ML.NET: شروع به کار با Microsoft ML.NET برای پیاده سازی الگوریتم های یادگیری ماشینی محبوب در سی شارپ) نوشته شده توسط «Jarred Capellman»
اطلاعات کتاب آموزش ماشینی عملی با ML.NET: شروع به کار با Microsoft ML.NET برای پیاده سازی الگوریتم های یادگیری ماشینی محبوب در سی شارپ
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Jarred Capellman
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 296 / 287
حجم فایل: 18.33 مگابایت
کد کتاب: 1789801788 , 9781789801781
توضیحات کتاب آموزش ماشینی عملی با ML.NET: شروع به کار با Microsoft ML.NET برای پیاده سازی الگوریتم های یادگیری ماشینی محبوب در سی شارپ
ایجاد، آموزش، و ارزیابی مدلهای مختلف یادگیری ماشین مانند رگرسیون، طبقهبندی و خوشهبندی با استفاده از ML.NET، Entity Framework و ASP.NET Core
ویژگیهای کلیدی
- با استفاده از مثالهای عملی با چارچوب ML.NET و اجزاء و APIهای آن آشنا شوید
- چگونگی ساخت، آموزش و ارزیابی الگوریتمهای یادگیری ماشینی محبوب با پیشنهادات ML.NET را بیاموزید
- با ادغام با TensorFlow و کتابخانه های دیگر، مدل های یادگیری ماشین موجود خود را گسترش دهید
توضیحات کتاب
یادگیری ماشینی (ML) به طور گسترده در بسیاری از صنایع مانند علم، مراقبت های بهداشتی، و تحقیقات و آن استفاده می شود. محبوبیت فقط در حال افزایش است. در مارس 2018، مایکروسافت ML.NET را برای کمک به علاقه مندان به دات نت در کار با ML معرفی کرد. با این کتاب، نحوه ساخت برنامه های ML.NET با مدل های مختلف ML موجود با استفاده از کد C# را بررسی خواهید کرد.
این کتاب با ارائه یک نمای کلی از ML و انواع الگوریتمهای ML مورد استفاده، همراه با توضیح اینکه ML.NET چیست و چرا به آن برای ساخت برنامههای ML نیاز دارید، شروع میشود. سپس چارچوب ML.NET، اجزای آن و APIها را بررسی خواهید کرد. این کتاب به عنوان یک راهنمای عملی برای کمک به شما در ساخت برنامه های هوشمند با استفاده از کتابخانه ML.NET خدمت می کند. شما به تدریج در نحوه پیاده سازی الگوریتم های ML مانند رگرسیون، طبقه بندی و خوشه بندی با مثال ها و مجموعه داده های دنیای واقعی به خوبی آشنا خواهید شد. هر فصل پیاده سازی عملی را پوشش می دهد و به شما نشان می دهد که چگونه ML را در برنامه های NET پیاده سازی کنید. همچنین یاد خواهید گرفت که TensorFlow را در برنامه های ML.NET ادغام کنید. بعداً خواهید فهمید که چگونه نتیجه پیشبینی قیمت مسکن مدل رگرسیون را در پایگاه داده ذخیره کنید و نتایج پیشبینیشده در زمان واقعی را از پایگاه داده در برنامه وب خود با استفاده از ASP.NET Core Blazor و SignalR نمایش دهید.
در پایان این کتاب، یاد خواهید گرفت که چگونه با اطمینان وظایف یادگیری ماشینی پایه تا پیشرفته را در ML.NET انجام دهید.
آنچه خواهید آموخت
- درک چارچوب، اجزا و APIهای ML.NET با استفاده از C#
- توسعه مدلهای رگرسیون با استفاده از ML.NET برای فرسایش کارکنان و طبقهبندی فایلها
- ارزیابی مدلهای طبقهبندی برای پیشبینی احساسات در بررسیهای رستوران
- با مدل های خوشه بندی برای طبقه بندی انواع فایل کار کنید
- از تشخیص ناهنجاری برای یافتن ناهنجاری ها در ترافیک شبکه و سابقه ورود استفاده کنید
- با ASP.NET Core Blazor کار کنید تا یک برنامه وب با قابلیت ML.NET ایجاد کنید
- مدل های TensorFlow و ONNX از پیش آموزش دیده را در یک برنامه WPF ML.NET برای طبقه بندی تصاویر و تشخیص اشیا ادغام کنید
این کتاب برای چه کسی است
اگر شما یک توسعه دهنده دات نت هستید و می خواهید مدل های یادگیری ماشین را با استفاده از ML.NET پیاده سازی کنید، این کتاب برای شما مناسب است. این کتاب همچنین برای دانشمندان داده و توسعه دهندگان یادگیری ماشین که به دنبال ابزارهای مؤثر برای پیاده سازی الگوریتم های مختلف یادگیری ماشین هستند، مفید خواهد بود. برای درک موثر مفاهیم مطرح شده در این کتاب، درک اولیه C# یا .NET الزامی است.
فهرست مطالب
- شروع به یادگیری ماشین و ML.NET
- تنظیمات محیط ML.NET را ارتقا دهید
- مدل رگرسیون
- مدل طبقه بندی
- مدل خوشه بندی
- مدل تشخیص ناهنجاری
- مدل فاکتورسازی ماتریس
- استفاده از ML.NET با .NET Core و Forecasting
- استفاده از ML.NET با ASP.NET
- استفاده از ML.NET با UWP
- آموزش و ساخت مدل های تولید
- استفاده از Tensorflow با ML.NET
- استفاده از ONNX با ML.NET
li>
Create, train, and evaluate various machine learning models such as regression, classification, and clustering using ML.NET, Entity Framework, and ASP.NET Core
Key Features
- Get well-versed with the ML.NET framework and its components and APIs using practical examples
- Learn how to build, train, and evaluate popular machine learning algorithms with ML.NET offerings
- Extend your existing machine learning models by integrating with TensorFlow and other libraries
Book Description
Machine learning (ML) is widely used in many industries such as science, healthcare, and research and its popularity is only growing. In March 2018, Microsoft introduced ML.NET to help .NET enthusiasts in working with ML. With this book, you’ll explore how to build ML.NET applications with the various ML models available using C# code.
The book starts by giving you an overview of ML and the types of ML algorithms used, along with covering what ML.NET is and why you need it to build ML apps. You’ll then explore the ML.NET framework, its components, and APIs. The book will serve as a practical guide to helping you build smart apps using the ML.NET library. You’ll gradually become well versed in how to implement ML algorithms such as regression, classification, and clustering with real-world examples and datasets. Each chapter will cover the practical implementation, showing you how to implement ML within .NET applications. You’ll also learn to integrate TensorFlow in ML.NET applications. Later you’ll discover how to store the regression model housing price prediction result to the database and display the real-time predicted results from the database on your web application using ASP.NET Core Blazor and SignalR.
By the end of this book, you’ll have learned how to confidently perform basic to advanced-level machine learning tasks in ML.NET.
What you will learn
- Understand the framework, components, and APIs of ML.NET using C#
- Develop regression models using ML.NET for employee attrition and file classification
- Evaluate classification models for sentiment prediction of restaurant reviews
- Work with clustering models for file type classifications
- Use anomaly detection to find anomalies in both network traffic and login history
- Work with ASP.NET Core Blazor to create an ML.NET enabled web application
- Integrate pre-trained TensorFlow and ONNX models in a WPF ML.NET application for image classification and object detection
Who this book is for
If you are a .NET developer who wants to implement machine learning models using ML.NET, then this book is for you. This book will also be beneficial for data scientists and machine learning developers who are looking for effective tools to implement various machine learning algorithms. A basic understanding of C# or .NET is mandatory to grasp the concepts covered in this book effectively.
Table of Contents
- Getting started with Machine Learning and ML.NET
- Setting up the ML.NET environment
- Regression Model
- Classification Model
- Clustering Model
- Anomaly Detection Model
- Matrix Factorization Model
- Using ML.NET with .NET Core and Forecasting
- Using ML.NET with ASP.NET
- Using ML.NET with UWP
- Training and Building Production Models
- Using Tensorflow with ML.NET
- Using ONNX with ML.NET