دانلود کتاب Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R (به فارسی: آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R) نوشته شده توسط «Pratap Dangeti»
اطلاعات کتاب آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R
موضوع اصلی: کامپیوتر – پایگاه داده
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Pratap Dangeti
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2017
تعداد صفحه: 442 / 438
حجم فایل: 16.45 مگابایت
کد کتاب: 1788295757 , 9781788295758
توضیحات کتاب آمار برای یادگیری ماشین: تکنیک‌هایی برای کاوش مدل‌های یادگیری تحت نظارت، بدون نظارت و تقویتی با پایتون و R
ویژگی های کلیدی
- درباره آمار پشت مدل های پیش بینی قدرتمند با آمار p-value، ANOVA و F- بیاموزید.
- محاسبات آماری را به صورت برنامه ریزی شده برای یادگیری تحت نظارت و بدون نظارت از طریق خوشه بندی K-means پیاده سازی کنید.
- تسلط بر جنبه آماری یادگیری ماشینی با کمک این راهنمای مثال زدنی برای R و Python.
توضیحات کتاب
آمار پیچیده در یادگیری ماشینی نگرانی بسیاری را در پی دارد. توسعه دهندگان دانستن آمار به شما کمک می‌کند تا مدل‌های یادگیری ماشینی قوی بسازید که برای یک بیان مسئله بهینه شده‌اند. این کتاب تمام آنچه را که برای انجام محاسبات آماری پیچیده لازم برای یادگیری ماشین لازم است به شما آموزش می دهد. اطلاعاتی در مورد آمارهای مربوط به یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری تقویتی و موارد دیگر به دست خواهید آورد. مثال های دنیای واقعی را که جنبه آماری یادگیری ماشین را مورد بحث قرار می دهند را درک کنید و با آن آشنا شوید. شما همچنین برنامه هایی را برای انجام وظایفی مانند مدل، برازش پارامتر، رگرسیون، طبقه بندی، جمع آوری چگالی و موارد دیگر طراحی خواهید کرد.
در پایان کتاب، به آمارهای مورد نیاز برای یادگیری ماشین و یادگیری ماشین تسلط خواهید داشت. می‌تواند مهارت‌های جدید خود را برای هر نوع مشکل صنعتی به کار گیرد.
آنچه یاد خواهید گرفت
- مبانی یادگیری ماشینی و آماری لازم برای ساخت مدل‌ها را درک کنید
- درک اصلی تفاوت ها و تشابهات بین روش آماری و روش یادگیری ماشینی برای حل مشکلات
- یاد بگیرید چگونه مدل های داده و فید را با استفاده از الگوریتم های یادگیری ماشینی مناسب از بسته های R و Python آماده کنید
- li>
- نتایج را تجزیه و تحلیل کنید و مدل را به طور مناسب با اهداف پیش بینی خود تنظیم کنید
- درک مفاهیم آمار مورد نیاز برای
- Learn about the statistics behind powerful predictive models with p-value, ANOVA, and F- statistics.
- Implement statistical computations programmatically for supervised and unsupervised learning through K-means clustering.
- Master the statistical aspect of Machine Learning with the help of this example-rich guide to R and Python.
Book Description
Complex statistics in Machine Learning worry a lot of developers. Knowing statistics helps you build strong Machine Learning models that are optimized for a given problem statement. This book will teach you all it takes to perform complex statistical computations required for Machine Learning. You will gain information on statistics behind supervised learning, unsupervised learning, reinforcement learning, and more. Understand the real-world examples that discuss the statistical side of Machine Learning and familiarize yourself with it. You will also design programs for performing tasks such as model, parameter fitting, regression, classification, density collection, and more.
By the end of the book, you will have mastered the required statistics for Machine Learning and will be able to apply your new skills to any sort of industry problem.
What you will learn
- Understand the Statistical and Machine Learning fundamentals necessary to build models
- Understand the major differences and parallels between the statistical way and the Machine Learning way to solve problems
- Learn how to prepare data and feed models by using the appropriate Machine Learning algorithms from the more-than-adequate R and Python packages
- Analyze the results and tune the model appropriately to your own predictive goals
- Understand the concepts of required statistics for
