Log in Sign up
Trang chủeBookIntroducing Machine Learning, 1st edition
Introducing Machine Learning, 1st edition

Introducing Machine Learning, 1st edition

BRAND: PEARSON
Publisher:
PEARSON
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

Tổng quan sách

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.
  1. Chapter 1 How Humans Learn
  2. Chapter 2 Intelligent Software
  3. Chapter 3 Mapping Problems and Algorithms
  4. Chapter 4 General Steps for a Machine Learning Solution
  5. Chapter 5 The Data Factor
  6. Chapter 6 The .NET Way
  7. Chapter 7 Implementing the ML.NET Pipeline
  8. Chapter 8 ML.NET Tasks and Algorithms
  9. Chapter 9 Math Foundations of Machine Learning
  10. Chapter 10 Metrics of Machine Learning
  11. Chapter 11 How to Make Simple Predictions: Linear Regression
  12. Chapter 12 How to Make Complex Predictions and Decisions: Trees
  13. Chapter 13 How to Make Better Decisions: Ensemble Methods
  14. Chapter 14 Probabilistic Methods: Naïve Bayes
  15. Chapter 15 How to Group Data: Classification and Clustering
  16. Chapter 16 Feed-Forward Neural Networks
  17. Chapter 17 Design of a Neural Network
  18. Chapter 18 Other Types of Neural Networks
  19. Chapter 19 Sentiment Analysis: An End-to-End Solution
  20. Chapter 20 AI Cloud Services for the Real World
  21. Chapter 21 The Business Perception of AI
Chat Zalo