Dịch
Introducing Machine Learning, 1st edition
BRAND: PEARSON
| Publisher: | Microsoft Press |
| Author: | Dino Esposito; Francesco Esposito |
| Edition: | (February 20, 2020) © 2020 |
| eBook ISBN: | 9780135588383 |
| Print ISBN: | 9780135565667 |
| Type: | 1 Year Subscription. Dành cho Cá nhân |
eBook edition. 1 Year Subscription. Dành cho Cá nhân | Trường ĐH, Nhóm, Thư Viện: Gọi 0915920514 để báo giá Pearson, Vital Source eBook hoặc mua Sách In
See what in the box
Mô tả sản phẩm
Ngày nay, học máy mang đến cho các chuyên gia phần mềm cơ hội tuyệt vời để phát triển nghề nghiệp. Trong Giới thiệu về Học máy, tác giả, nhà đào tạo và nhà tư vấn phát triển phần mềm bán chạy nhất Dino Esposito đã giới thiệu đầy đủ về lĩnh vực này cho sinh viên, lập trình viên, kiến trúc sư và nhà phát triển chính.
Esposito bắt đầu bằng cách làm sáng tỏ những gì đã biết về cách con người và máy học học tập, giới thiệu các lớp thuật toán học máy quan trọng nhất và giải thích những gì mỗi thuật toán đó có thể làm. Esposito làm sáng tỏ các khái niệm chính từ mạng lưới thần kinh đến học tập có giám sát và không giám sát. Tiếp theo, anh giải thích từng bước cần thiết để xây dựng một giải pháp máy học thành công, từ thu thập và tinh chỉnh dữ liệu nguồn đến xây dựng và thử nghiệm giải pháp của bạn.
Sau đó, dựa trên những yếu tố cần thiết này, anh ấy sẽ hướng dẫn bạn xây dựng hai giải pháp hoàn chỉnh với ML.NET, khung học máy đa nền tảng và mã nguồn mở mạnh mẽ của Microsoft. Từng bước, bạn sẽ tạo các hệ thống để thực hiện phân tích cảm tính trên các nguồn cấp dữ liệu xã hội và phân tích lưu lượng truy cập để dự đoán tai nạn. Khi hoàn thành, bạn sẽ sẵn sàng tham gia vào các dự án khoa học dữ liệu và xây dựng các giải pháp hoạt động của riêng mình.
Chapter 1 How Humans Learn
Chapter 2 Intelligent Software
Chapter 3 Mapping Problems and Algorithms
Chapter 4 General Steps for a Machine Learning Solution
Chapter 5 The Data Factor
Chapter 6 The .NET Way
Chapter 7 Implementing the ML.NET Pipeline
Chapter 8 ML.NET Tasks and Algorithms
Chapter 9 Math Foundations of Machine Learning
Chapter 10 Metrics of Machine Learning
Chapter 11 How to Make Simple Predictions: Linear Regression
Chapter 12 How to Make Complex Predictions and Decisions: Trees
Chapter 13 How to Make Better Decisions: Ensemble Methods
Chapter 14 Probabilistic Methods: Naïve Bayes
Chapter 15 How to Group Data: Classification and Clustering
Chapter 16 Feed-Forward Neural Networks
Chapter 17 Design of a Neural Network
Chapter 18 Other Types of Neural Networks
Chapter 19 Sentiment Analysis: An End-to-End Solution
Chapter 20 AI Cloud Services for the Real World
Chapter 21 The Business Perception of AI
Ngày nay, học máy mang đến cho các chuyên gia phần mềm cơ hội tuyệt vời để phát triển nghề nghiệp. Trong Giới thiệu về Học máy, tác giả, nhà đào tạo và nhà tư vấn phát triển phần mềm bán chạy nhất Dino Esposito đã giới thiệu đầy đủ về lĩnh vực này cho sinh viên, lập trình viên, kiến trúc sư và nhà phát triển chính.
Esposito bắt đầu bằng cách làm sáng tỏ những gì đã biết về cách con người và máy học học tập, giới thiệu các lớp thuật toán học máy quan trọng nhất và giải thích những gì mỗi thuật toán đó có thể làm. Esposito làm sáng tỏ các khái niệm chính từ mạng lưới thần kinh đến học tập có giám sát và không giám sát. Tiếp theo, anh giải thích từng bước cần thiết để xây dựng một giải pháp máy học thành công, từ thu thập và tinh chỉnh dữ liệu nguồn đến xây dựng và thử nghiệm giải pháp của bạn.
Sau đó, dựa trên những yếu tố cần thiết này, anh ấy sẽ hướng dẫn bạn xây dựng hai giải pháp hoàn chỉnh với ML.NET, khung học máy đa nền tảng và mã nguồn mở mạnh mẽ của Microsoft. Từng bước, bạn sẽ tạo các hệ thống để thực hiện phân tích cảm tính trên các nguồn cấp dữ liệu xã hội và phân tích lưu lượng truy cập để dự đoán tai nạn. Khi hoàn thành, bạn sẽ sẵn sàng tham gia vào các dự án khoa học dữ liệu và xây dựng các giải pháp hoạt động của riêng mình.
Chapter 1 How Humans Learn
Chapter 2 Intelligent Software
Chapter 3 Mapping Problems and Algorithms
Chapter 4 General Steps for a Machine Learning Solution
Chapter 5 The Data Factor
Chapter 6 The .NET Way
Chapter 7 Implementing the ML.NET Pipeline
Chapter 8 ML.NET Tasks and Algorithms
Chapter 9 Math Foundations of Machine Learning
Chapter 10 Metrics of Machine Learning
Chapter 11 How to Make Simple Predictions: Linear Regression
Chapter 12 How to Make Complex Predictions and Decisions: Trees
Chapter 13 How to Make Better Decisions: Ensemble Methods
Chapter 14 Probabilistic Methods: Naïve Bayes
Chapter 15 How to Group Data: Classification and Clustering
Chapter 16 Feed-Forward Neural Networks
Chapter 17 Design of a Neural Network
Chapter 18 Other Types of Neural Networks
Chapter 19 Sentiment Analysis: An End-to-End Solution
Chapter 20 AI Cloud Services for the Real World
Chapter 21 The Business Perception of AI
