0

دانلود کتاب انتخاب ویژگی در یادگیری ماشین: بیش از 20 روش برای انتخاب پیش‌بینی‌کننده‌ترین ویژگی‌ها و ساخت مدل‌های ساده‌تر، سریع‌تر و مطمئن‌تز

  • عنوان کتاب: Feature Selection in Machine Learning Over 20 methods to select the most predictive features and build simpler, faster, and
  • نویسنده: Soledad Galli
  • حوزه: یادگیری ماشین
  • تعداد صفحه: 216
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 5.91 مگابایت

انتخاب ویژگی در یادگیری ماشین، روش‌های پرکاربرد برای انتخاب زیرمجموعه‌های پیش‌بینی‌کننده از ویژگی‌ها را پوشش می‌دهد. هدف از انتخاب متغیر، بهبود عملکرد مدل‌های یادگیری ماشین، ایجاد الگوریتم‌های سریع‌تر و مقرون‌به‌صرفه‌تر و تسهیل درک پیش‌بینی‌های بازگشتی توسط مدل‌ها است. الگوریتم‌های انتخاب ویژگی زیادی وجود دارد که هر کدام مزایا و محدودیت‌هایی دارند. برخی از الگوریتم‌ها به خوبی مقیاس‌پذیر هستند و بنابراین برای فضاهای ویژگی بسیار بالا مناسب هستند. با این حال، ممکن است تعاملات ویژگی‌ها یا مکانیسم‌های مدل پیش‌بینی را در نظر نگیرند. روش‌های دیگر از نظر محاسباتی گران هستند، اما با طبقه‌بندی‌کننده‌های خاص یا مدل‌های رگرسیون به خوبی کار می‌کنند. انتخاب ویژگی در یادگیری ماشین، بسیاری از رویه‌های انتخاب ویژگی را مورد بحث قرار می‌دهد و مزایا و کاستی‌های آنها را برجسته می‌کند. علاوه بر این، دستورالعمل‌های کد را برای انتخاب ویژگی‌ها با استفاده از کتابخانه‌های منبع باز پایتون ارائه می‌دهد. در سراسر کتاب، یاد خواهید گرفت که چگونه بهترین زیرمجموعه‌های ویژگی‌ها را بر اساس اندازه مجموعه داده، ماهیت متغیرهای خود و ویژگی‌های مدل‌های یادگیری ماشینی که استفاده می‌کنید، انتخاب کنید. در پایان کتاب، شما قادر خواهید بود بهترین الگوریتم انتخاب را برای پروژه علوم داده خود تصمیم‌گیری و پیاده‌سازی کنید. این کتاب برای دانشمندان داده و مهندسان یادگیری ماشین در نظر گرفته شده است که می‌خواهند در مورد روش‌ها و ابزارهای مختلفی که می‌توانند برای انتخاب ویژگی استفاده شوند، اطلاعات بیشتری کسب کنند. برای بهره‌برداری هرچه بیشتر از این کتاب، دانش برنامه‌نویسی پایتون (pandas، numpy و scikit-learn) و یادگیری ماشین لازم است.

Feature Selection in Machine Learning covers widely used methods to select predictive subsets of features. The aim of variable selection is to improve the performance of machine learning models, to create faster and more cost-effective algorithms, and to facilitate the understanding of the predictions returned by the models. There are many feature selection algorithms, each with advantages and limitations. Some algorithms scale well and are therefore suitable for extremely high feature spaces. However, they may not consider feature interactions or the mechanisms of the predictive model. Other methods are computationally expensive, yet they work well with particular classifiers or regression models. Feature Selection in Machine Learning discusses many feature selection procedures, highlighting their advantages and shortcomings. In addition, it provides code recipes to select features utilizing Python open-source libraries. Throughout the book, you will learn how to select the best subsets of features based on the size of your dataset, the nature of your variables, and the characteristics of the machine learning models you use. By the end of the book, you will be able to decide and implement the best selection algorithm for your data science project. This book is intended for data scientists and machine learning engineers who want to know more about the different methods and tools that can be used for feature selection. Knowledge of Python programming (pandas, numpy and scikit-learn) and machine learning is required to make the most out of this book.

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: Feature Selection in Machine Learning

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بیشتر بخوانید