- عنوان کتاب: Mastering Classification Algorithms for Machine Learning
- نویسنده: Partha Majumdar
- حوزه: یادگیری ماشین
- سال انتشار: 2023
- تعداد صفحه: 380
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 18.8 مگابایت
ایجاد مدلهایی برای یادگیری ماشینی فرآیندی زمانبر است که شامل ساعتها کار روی ماشین برای تنظیم مدلها در مرحله آموزش است. هر مدل دارای یک پایه ریاضی است، به این معنی که قبل از رسیدن مدل نهایی، چندین ابرپارامتر باید تغییر داده شود. درک ریاضیات پشت هر مدل امکان فرموله کردن یک مکانیسم علمی برای آزمایش ترکیبات مختلف ابرپارامترها را فراهم می کند. همچنین، درک ریاضیات پشت مدلها به درک چگونگی تنظیم فراپارامترهای مختلف کمک میکند تا مدل نسبتاً سریع همگرا شود. جنبه دیگر این است که همه مدل ها برای همه انواع داده ها مناسب نیستند. برای درک اینکه کدام مدل می تواند برای ساخت یک مدل برای یک مجموعه داده معین مناسب باشد، باید فرمول ریاضی مدل ها را درک کرد. به طور خلاصه، برای موفقیت در ساخت مدلهای یادگیری ماشینی، درک فرمولهای ریاضی حیاتی است. این کتاب جزئیات ریاضیات هر مدل یادگیری ماشینی را برای حل مسائل طبقه بندی ارائه می دهد. کتاب با مدلهای ساده شروع میشود و به سراغ مدلهای پیچیده پیشرفته میرود. یک الگوریتم دقیق با داده های نمایشی برای هر الگوریتم مورد بحث در کتاب ارائه شده است. آخرین، اما نه کم اهمیت، هر فصل یک مشکل صنعت حل شده با استفاده از یادگیری ماشین را مورد بحث قرار می دهد. این کتاب در مورد استفاده از الگوریتمهای طبقهبندی برای حل تشخیص هرزنامه، تقسیمبندی مشتری، تشخیص بیماری، تشخیص بدافزار، تشخیص احساسات از روی گفتار و طبقهبندی تصویر بحث میکند. تمامی کدهای این کتاب به زبان پایتون نوشته شده است. پایتون محبوب ترین زبان برنامه نویسی برای علوم داده است. با این حال، کاربران سایر زبان های برنامه نویسی محبوب، از جمله R، Scala، و Octave، می توانند از این کتاب استفاده کنند زیرا ریاضیات مدل ها ثابت می ماند. کتابخانه اصلی مورد استفاده در این کتاب Scikit-Learn است که تا کنون محبوب ترین کتابخانه برای یادگیری ماشینی است. در حالی که Scikit-Learn برای Python در این کتاب استفاده شده است، Scikit-Learn برای زبان R نیز موجود است. امیدوارم این کتاب برای شما آموزنده و مفید واقع شود.
Creating models for Machine Learning is a time-consuming process involving hours of work on the machine to tune the models during the training phase. Every model has a mathematical foundation, meaning several hyperparameters must be altered before the final model can arrive. Understanding the mathematics behind every model makes it possible to formulate a scientific mechanism for trying different combinations of the hyperparameters to test. Also, understanding the mathematics behind the models helps understand how the different hyperparameters can be set so that the model converges relatively quickly. Another aspect is that all models do not suit all types of data. To understand which model can be suitable for building a model for a given dataset, one needs to understand the mathematical formulation of the models. In summary, to be successful in building machine-learning models, understanding the mathematical formulations is vital. This book provides details of the mathematics of every machine-learning model for solving classification problems. The book starts with simple models and proceeds to state-of-the-art complex models. A detailed algorithm walkthrough is provided with demonstration data for every algorithm discussed in the book. Last, but not least, every chapter discusses an industry problem solved using machine learning. The book discusses applying classification algorithms to solve Spam Detection, Customer Segmentation, Disease Diagnosis, Malware Detection, Emotion Detection from Speech, and Image Classification. All the code in this book has been written in Python. Python is by far the most popular programming language for data sciences. However, users of other popular programming languages, including R, Scala, and Octave, can use this book as the mathematics of the models remain the same. The main library used in this book is Scikit-Learn, which is by far the most popular library for machine learning. While Scikit-Learn is used for Python in this book, Scikit-Learn is also available for R language. I hope you will find this book informative and helpful.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Mastering Classification Algorithms for Machine Learning
نظرات کاربران