విషయ సూచిక[దాచు][చూపండి]
గత కొన్నేళ్లుగా మెషిన్ లెర్నింగ్ టెక్నాలజీ ఎంత త్వరగా అభివృద్ధి చెందిందో మనందరికీ తెలుసు. మెషిన్ లెర్నింగ్ అనేది అనేక సంస్థలు, విద్యావేత్తలు మరియు రంగాల ఆసక్తిని ఆకర్షించిన ఒక విభాగం.
దీని కారణంగా, ఈరోజు ఇంజనీర్ లేదా కొత్తవారు చదవాల్సిన మెషిన్ లెర్నింగ్పై కొన్ని గొప్ప పుస్తకాలను నేను చర్చిస్తాను. పుస్తకాలు చదవడం అంటే తెలివిని ఉపయోగించుకోవడం కాదు అని మీరందరూ అంగీకరించాలి.
పుస్తకాలు చదవడం వల్ల మన మనస్సు చాలా కొత్త విషయాలను కనుగొనడంలో సహాయపడుతుంది. అన్ని తరువాత, చదవడం నేర్చుకోవడం. స్వీయ-అభ్యాసపు ట్యాగ్ కలిగి ఉండటం చాలా సరదాగా ఉంటుంది. ఫీల్డ్లో అందుబాటులో ఉన్న గొప్ప పాఠ్యపుస్తకాలు ఈ కథనంలో హైలైట్ చేయబడతాయి.
కింది పాఠ్యపుస్తకాలు AI యొక్క పెద్ద రంగానికి ప్రయత్నించిన మరియు నిజమైన పరిచయాన్ని అందిస్తాయి మరియు తరచుగా విశ్వవిద్యాలయ కోర్సులలో ఉపయోగించబడతాయి మరియు విద్యావేత్తలు మరియు ఇంజనీర్లచే సిఫార్సు చేయబడతాయి.
మీరు ఒక టన్ను కలిగి ఉన్నప్పటికీ యంత్ర అభ్యాసం అనుభవం, ఈ పాఠ్యపుస్తకాల్లో ఒకదానిని తీయడం బ్రష్ అప్ చేయడానికి ఒక అద్భుతమైన మార్గం. అన్నింటికంటే, నేర్చుకోవడం అనేది నిరంతర ప్రక్రియ.
1. సంపూర్ణ ప్రారంభకులకు మెషిన్ లెర్నింగ్
మీరు మెషిన్ లెర్నింగ్ని చదవాలనుకుంటున్నారు కానీ అది ఎలా చేయాలో తెలియదు. మెషిన్ లెర్నింగ్లో మీ పురాణ యాత్రను ప్రారంభించే ముందు మీరు అర్థం చేసుకోవలసిన అనేక కీలకమైన సైద్ధాంతిక మరియు గణాంక అంశాలు ఉన్నాయి. మరియు ఈ పుస్తకం ఆ అవసరాన్ని తీరుస్తుంది!
ఇది ఉన్నత స్థాయి, వర్తించే పూర్తి అనుభవం లేని వ్యక్తులను అందిస్తుంది యంత్ర అభ్యాసానికి పరిచయం. మెషిన్ లెర్నింగ్ మరియు అనుబంధ ఆలోచనల యొక్క అత్యంత సరళమైన వివరణ కోసం శోధించే ఎవరికైనా సంపూర్ణ బిగినర్స్ కోసం మెషిన్ లెర్నింగ్ అనే పుస్తకం ఉత్తమ ఎంపికలలో ఒకటి.
పుస్తకం యొక్క అనేక ml అల్గారిథమ్లు సంక్షిప్త వివరణలు మరియు గ్రాఫిక్ ఉదాహరణలు పాఠకులకు చర్చించబడిన ప్రతిదాన్ని అర్థం చేసుకోవడానికి సహాయపడతాయి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- యొక్క ప్రాథమికాలు నరాల నెట్వర్క్
- తిరోగమన విశ్లేషణ
- ఫీచర్ ఇంజనీరింగ్
- క్లస్టరింగ్
- క్రాస్ ధ్రువీకరణ
- డేటా స్క్రబ్బింగ్ పద్ధతులు
- నిర్ణయం చెట్లు
- సమిష్టి మోడలింగ్
2. డమ్మీస్ కోసం మెషిన్ లెర్నింగ్
సాధారణ వ్యక్తులకు మెషిన్ లెర్నింగ్ గందరగోళంగా ఉండవచ్చు. అయితే, జ్ఞానం ఉన్న మనకు ఇది వెలకట్టలేనిది.
ML లేకుండా, ఆన్లైన్ శోధన ఫలితాలు, వెబ్ పేజీలలో నిజ-సమయ ప్రకటనలు, ఆటోమేషన్ లేదా స్పామ్ ఫిల్టరింగ్ (అవును!) వంటి సమస్యలను నిర్వహించడం కష్టం.
ఫలితంగా, ఈ పుస్తకం మీకు మెషిన్ లెర్నింగ్ యొక్క సమస్యాత్మక రాజ్యం గురించి మరింత తెలుసుకోవడానికి సహాయపడే సూటిగా పరిచయాన్ని అందిస్తుంది. డమ్మీస్ కోసం మెషిన్ లెర్నింగ్ సహాయంతో, మీరు పైథాన్ మరియు R వంటి భాషలను ఎలా "మాట్లాడాలో" నేర్చుకుంటారు, ఇది కంప్యూటర్లకు నమూనా గుర్తింపు మరియు డేటా విశ్లేషణ చేయడానికి శిక్షణనిస్తుంది.
అదనంగా, మీరు R లో అభివృద్ధి చేయడానికి పైథాన్ యొక్క అనకొండ మరియు R స్టూడియోను ఎలా ఉపయోగించాలో నేర్చుకుంటారు.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- డేటా తయారీ
- మెషిన్ లెర్నింగ్ కోసం విధానాలు
- యంత్ర అభ్యాస చక్రం
- పర్యవేక్షించబడిన మరియు పర్యవేక్షించబడని అభ్యాసం
- శిక్షణ యంత్ర అభ్యాస వ్యవస్థలు
- మెషిన్ లెర్నింగ్ పద్ధతులను ఫలితాలతో ముడిపెట్టడం
3. వంద పేజీల మెషిన్ లెర్నింగ్ బుక్
మెషిన్ లెర్నింగ్ యొక్క అన్ని అంశాలను 100 పేజీలలోపు కవర్ చేయడం సాధ్యమేనా? Andriy Burkov యొక్క ది హండ్రెడ్-పేజ్ మెషిన్ లెర్నింగ్ బుక్ కూడా అదే ప్రయత్నం.
మెషీన్ లెర్నింగ్ పుస్తకాన్ని సుజీత్ వరఖేడి, eBayలో ఇంజినీరింగ్ హెడ్ మరియు Googleలో రీసెర్చ్ డైరెక్టర్ పీటర్ నార్విగ్తో సహా ప్రఖ్యాత ఆలోచనా నాయకులు బాగా వ్రాసారు మరియు మద్దతు ఇస్తున్నారు.
మెషిన్ లెర్నింగ్లో అనుభవశూన్యుడు కోసం ఇది గొప్ప పుస్తకం. పుస్తకాన్ని పూర్తిగా చదివిన తర్వాత, మీరు అధునాతన AI వ్యవస్థలను నిర్మించగలరు మరియు అర్థం చేసుకోగలరు, మెషిన్ లెర్నింగ్ ఇంటర్వ్యూలో విజయం సాధించగలరు మరియు మీ స్వంత ML-ఆధారిత కంపెనీని కూడా ప్రారంభించగలరు.
అయితే, ఈ పుస్తకం మెషీన్ లెర్నింగ్లో పూర్తి ప్రారంభకులకు ఉద్దేశించబడలేదు. మీరు మరింత ప్రాథమికంగా ఏదైనా కోరుకుంటే ఎక్కడైనా చూడండి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- అనాటమీ ఆఫ్ ఎ అల్గోరిథం నేర్చుకోవడం
- పర్యవేక్షించబడే అభ్యాసం మరియు పర్యవేక్షించబడని అభ్యాసం
- ఉపబల అభ్యాసం
- మెషిన్ లెర్నింగ్ యొక్క ప్రాథమిక అల్గోరిథంలు
- న్యూరల్ నెట్వర్క్లు మరియు లోతైన అభ్యాసం యొక్క అవలోకనం
4. యంత్ర అభ్యాసాన్ని అర్థం చేసుకోవడం
అండర్స్టాండింగ్ మెషిన్ లెర్నింగ్ పుస్తకంలో మెషిన్ లెర్నింగ్కు క్రమబద్ధమైన పరిచయం అందించబడింది. ఈ పుస్తకం మెషిన్ లెర్నింగ్ యొక్క పునాది ఆలోచనలు, గణన నమూనాలు మరియు గణిత ఉత్పన్నాలను లోతుగా పరిశోధిస్తుంది.
మెషీన్ లెర్నింగ్ ద్వారా విస్తృత శ్రేణి మెషీన్ లెర్నింగ్ సబ్జెక్టులు సరళమైన పద్ధతిలో ప్రదర్శించబడతాయి. మెషీన్ లెర్నింగ్ యొక్క సైద్ధాంతిక పునాదులు ఈ పునాదులను ఉపయోగకరమైన అల్గారిథమ్లుగా మార్చే గణిత ఉత్పన్నాలతో పాటు పుస్తకంలో వివరించబడ్డాయి.
మునుపటి పాఠ్యపుస్తకాల ద్వారా కవర్ చేయని అనేక కీలకమైన విషయాలను కవర్ చేయడానికి ముందు ఈ పుస్తకం ప్రాథమిక అంశాలను అందిస్తుంది.
ఇందులో కుంభాకార మరియు స్థిరత్వ భావనలు మరియు అభ్యాసం యొక్క గణన సంక్లిష్టత, అలాగే యాదృచ్ఛిక వంటి ముఖ్యమైన అల్గారిథమిక్ నమూనాల చర్చ ఉన్నాయి. ప్రవణత సంతతి, న్యూరల్ నెట్వర్క్లు మరియు నిర్మాణాత్మక అవుట్పుట్ లెర్నింగ్, అలాగే PAC-Bayes విధానం మరియు కుదింపు-ఆధారిత హద్దులు వంటి కొత్తగా ఉద్భవిస్తున్న సైద్ధాంతిక ఆలోచనలు. ప్రారంభ గ్రాడ్యుయేట్లు లేదా అధునాతన అండర్ గ్రాడ్యుయేట్ల కోసం రూపొందించబడింది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- యంత్ర అభ్యాసం యొక్క గణన సంక్లిష్టత
- ML అల్గోరిథంలు
- న్యూరల్ నెట్వర్క్లు
- PAC-Bayes విధానం
- యాదృచ్ఛిక ప్రవణత సంతతి
- నిర్మాణాత్మక అవుట్పుట్ లెర్నింగ్
5. పైథాన్తో మెషిన్ లెర్నింగ్కు పరిచయం
మీరు మెషీన్ లెర్నింగ్ని అధ్యయనం చేయాలనుకునే పైథాన్-అవగాహన ఉన్న డేటా సైంటిస్ట్లా? మీ మెషిన్ లెర్నింగ్ అడ్వెంచర్ను ప్రారంభించడానికి ఉత్తమ పుస్తకం పైథాన్తో మెషిన్ లెర్నింగ్ పరిచయం: డేటా సైంటిస్ట్ల కోసం ఒక గైడ్.
పైథాన్తో మెషిన్ లెర్నింగ్కు పరిచయం పుస్తకం సహాయంతో: డేటా సైంటిస్ట్ల కోసం ఒక గైడ్, మీరు కస్టమ్ మెషీన్ లెర్నింగ్ ప్రోగ్రామ్లను రూపొందించడానికి వివిధ రకాల ఉపయోగకరమైన పద్ధతులను కనుగొంటారు.
ఆధారపడదగిన మెషీన్ లెర్నింగ్ అప్లికేషన్లను రూపొందించడానికి పైథాన్ మరియు స్కికిట్-లెర్న్ ప్యాకేజీని ఉపయోగించడంలో మీరు ప్రతి కీలకమైన దశను కవర్ చేస్తారు.
matplotlib మరియు NumPy లైబ్రరీలపై గట్టి పట్టు సాధించడం వల్ల నేర్చుకోవడం చాలా సులభం అవుతుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- పారామీటర్ ట్వీకింగ్ మరియు మోడల్ అసెస్మెంట్ కోసం ఆధునిక పద్ధతులు
- అప్లికేషన్లు మరియు ప్రాథమిక యంత్ర అభ్యాస ఆలోచనలు
- స్వయంచాలక అభ్యాస పద్ధతులు
- టెక్స్ట్ డేటాను మానిప్యులేట్ చేయడానికి సాంకేతికతలు
- మోడల్ చైనింగ్ మరియు వర్క్ఫ్లో ఎన్క్యాప్సులేషన్ పైప్లైన్లు
- ప్రాసెస్ చేసిన తర్వాత డేటా ప్రాతినిధ్యం
6. సైన్స్ కిట్ లెర్నింగ్, కేరాస్ & టెన్సర్ఫ్లోతో హ్యాండ్స్-ఆన్ మెషిన్ లెర్నింగ్
డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్పై అత్యంత సమగ్రమైన ప్రచురణలలో, ఇది పూర్తి విజ్ఞానంతో నిండి ఉంది. నిపుణులు మరియు అనుభవం లేనివారు ఈ విషయం గురించి మరింత అధ్యయనం చేయాలని సూచించారు.
ఈ పుస్తకంలో కొంచెం సిద్ధాంతం ఉన్నప్పటికీ, దీనికి బలమైన ఉదాహరణల ద్వారా మద్దతు ఉంది, ఇది జాబితాలో చోటు కల్పించింది.
ఈ పుస్తకంలో మెషిన్ లెర్నింగ్ ప్రాజెక్ట్ల కోసం స్కికిట్-లెర్న్ మరియు న్యూరల్ నెట్వర్క్లను రూపొందించడానికి మరియు శిక్షణ ఇవ్వడానికి టెన్సర్ఫ్లోతో సహా అనేక రకాల అంశాలు ఉన్నాయి.
ఈ పుస్తకాన్ని చదివిన తర్వాత, మీరు మరింత లోతుగా పరిశోధించడానికి సన్నద్ధమవుతారని మేము భావిస్తున్నాము లోతైన అభ్యాసం మరియు ఆచరణాత్మక సమస్యలతో వ్యవహరించండి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- మెషిన్ లెర్నింగ్ యొక్క ల్యాండ్స్కేప్, ముఖ్యంగా న్యూరల్ నెట్వర్క్లను పరిశీలించండి
- Scikit-Learn ఉపయోగించి నమూనా యంత్ర అభ్యాస ప్రాజెక్ట్ను మొదటి నుండి ముగింపు వరకు ట్రాక్ చేయండి.
- సమిష్టి పద్ధతులు, యాదృచ్ఛిక అడవులు, నిర్ణయ వృక్షాలు మరియు సపోర్ట్ వెక్టార్ మెషీన్లు వంటి అనేక శిక్షణ నమూనాలను పరిశీలించండి.
- TensorFlow లైబ్రరీని ఉపయోగించడం ద్వారా న్యూరల్ నెట్వర్క్లను సృష్టించండి మరియు శిక్షణ ఇవ్వండి.
- అన్వేషించేటప్పుడు కన్వల్యూషనల్ నెట్వర్క్లు, పునరావృత నెట్లు మరియు లోతైన ఉపబల అభ్యాసాన్ని పరిగణించండి న్యూరల్ నెట్ నమూనాలు.
- డీప్ న్యూరల్ నెట్వర్క్లను స్కేల్ చేయడం మరియు శిక్షణ ఇవ్వడం ఎలాగో తెలుసుకోండి.
7. హ్యాకర్ల కోసం మెషిన్ లెర్నింగ్
డేటా విశ్లేషణలో ఆసక్తి ఉన్న అనుభవజ్ఞులైన ప్రోగ్రామర్ కోసం, హ్యాకర్ల కోసం మెషిన్ లెర్నింగ్ పుస్తకం వ్రాయబడింది. ఈ సందర్భంలో హ్యాకర్లు నైపుణ్యం కలిగిన గణిత శాస్త్రవేత్తలు.
R గురించి దృఢమైన అవగాహన ఉన్నవారికి, ఈ పుస్తకం చాలా గొప్ప ఎంపిక ఎందుకంటే ఇందులో ఎక్కువ భాగం R లోని డేటా విశ్లేషణపై కేంద్రీకృతమై ఉంటుంది. అదనంగా ఆధునిక Rని ఉపయోగించి డేటాను ఎలా మార్చాలనేది పుస్తకంలో వివరించబడింది.
సంబంధిత కేస్ స్టోరీలను చేర్చడం వలన మెషిన్ లెర్నింగ్ అల్గారిథమ్లను ఉపయోగించడం యొక్క విలువను నొక్కిచెబుతుంది, ఇది హ్యాకర్ల యొక్క అత్యంత ముఖ్యమైన విక్రయ కేంద్రంగా మెషిన్ లెర్నింగ్ పుస్తకం కావచ్చు.
ఈ పుస్తకం దాని యొక్క గణిత సిద్ధాంతంలోకి లోతుగా వెళ్లకుండా మెషీన్ లెర్నింగ్ని సరళంగా మరియు వేగంగా చేయడానికి అనేక వాస్తవ-ప్రపంచ ఉదాహరణలను అందిస్తుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- ఇమెయిల్లోని కంటెంట్ని కేవలం స్పామ్ కాదా అని నిర్ధారించడానికి విశ్లేషించే అమాయక బయేసియన్ వర్గీకరణను సృష్టించండి.
- లీనియర్ రిగ్రెషన్ ఉపయోగించి టాప్ 1,000 వెబ్సైట్ల కోసం పేజీ వీక్షణల సంఖ్యను అంచనా వేయడం
- సూటిగా ఉండే అక్షరాల సాంకేతికలిపిని క్రాక్ చేయడానికి ప్రయత్నించడం ద్వారా ఆప్టిమైజేషన్ పద్ధతులను పరిశోధించండి.
8. ఉదాహరణలతో పైథాన్ మెషిన్ లెర్నింగ్
వివిధ మెషిన్ లెర్నింగ్, డీప్ లెర్నింగ్ మరియు డేటా అనాలిసిస్ పద్ధతులను అర్థం చేసుకోవడానికి మరియు రూపొందించడంలో మీకు సహాయపడే ఈ పుస్తకం, ప్రోగ్రామింగ్ లాంగ్వేజ్గా పైథాన్పై మాత్రమే దృష్టి సారించే ఏకైక పుస్తకం.
ఇది Scikit-Learn వంటి విభిన్న మెషిన్ లెర్నింగ్ అల్గారిథమ్లను అమలు చేయడానికి అనేక శక్తివంతమైన లైబ్రరీలను కవర్ చేస్తుంది. మీకు లోతైన అభ్యాసం గురించి బోధించడానికి టెన్సర్ ఫ్లో మాడ్యూల్ ఉపయోగించబడుతుంది.
చివరగా, ఇది యంత్రం మరియు లోతైన అభ్యాసాన్ని ఉపయోగించి సాధించగల అనేక డేటా విశ్లేషణ అవకాశాలను ప్రదర్శిస్తుంది.
మీరు సృష్టించిన మోడల్ యొక్క ప్రభావాన్ని పెంచడానికి ఉపయోగించగల అనేక పద్ధతులను కూడా ఇది మీకు బోధిస్తుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- పైథాన్ మరియు మెషిన్ లెర్నింగ్ నేర్చుకోవడం: ఎ బిగినర్స్ గైడ్
- 2 న్యూస్గ్రూప్ల డేటా సెట్ మరియు నైవ్ బేస్ స్పామ్ ఇమెయిల్ గుర్తింపును పరిశీలిస్తోంది
- SVMలను ఉపయోగించి, చెట్ల ఆధారంగా అల్గారిథమ్లను ఉపయోగించి వార్తా కథనాల అంశాలను వర్గీకరించండి క్లిక్-త్రూ ప్రిడిక్షన్
- లాజిస్టిక్ రిగ్రెషన్ ఉపయోగించి క్లిక్-త్రూ రేట్ యొక్క అంచనా
- స్టాక్ ధరల అత్యున్నత ప్రమాణాలను అంచనా వేయడానికి రిగ్రెషన్ అల్గారిథమ్ల ఉపయోగం
9. పైథాన్ మెషిన్ లెర్నింగ్
పైథాన్ మెషిన్ లెర్నింగ్ పుస్తకం మెషిన్ లెర్నింగ్ యొక్క ప్రాథమికాలను అలాగే డిజిటల్ డొమైన్లో దాని ప్రాముఖ్యతను వివరిస్తుంది. ఇది ప్రారంభకులకు యంత్ర అభ్యాస పుస్తకం.
పుస్తకంలో అదనంగా మెషిన్ లెర్నింగ్ యొక్క అనేక సబ్ఫీల్డ్లు మరియు అప్లికేషన్లు ఉన్నాయి. పైథాన్ ప్రోగ్రామింగ్ సూత్రాలు మరియు ఉచిత మరియు ఓపెన్ సోర్స్ ప్రోగ్రామింగ్ లాంగ్వేజ్తో ఎలా ప్రారంభించాలి అనేవి కూడా పైథాన్ మెషిన్ లెర్నింగ్ పుస్తకంలో పొందుపరచబడ్డాయి.
మెషీన్ లెర్నింగ్ పుస్తకాన్ని పూర్తి చేసిన తర్వాత, మీరు పైథాన్ కోడింగ్ని ఉపయోగించి అనేక మెషీన్ లెర్నింగ్ ఉద్యోగాలను సమర్థవంతంగా ఏర్పాటు చేయగలుగుతారు.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- కృత్రిమ మేధస్సు యొక్క ప్రాథమిక అంశాలు
- ఒక నిర్ణయం చెట్టు
- లాజిస్టిక్ రిగ్రెషన్
- లోతైన నాడీ నెట్వర్క్లు
- పైథాన్ ప్రోగ్రామింగ్ లాంగ్వేజ్ ఫండమెంటల్స్
<span style="font-family: arial; ">10</span> మెషిన్ లెర్నింగ్: ఎ ప్రాబబిలిస్టిక్ పెర్స్పెక్టివ్
మెషిన్ లెర్నింగ్: ఎ ప్రాబబిలిస్టిక్ పెర్స్పెక్టివ్ అనేది జీవశాస్త్రం, కంప్యూటర్ విజన్, రోబోటిక్స్ మరియు టెక్స్ట్ ప్రాసెసింగ్ వంటి విభాగాల నుండి నాస్టాల్జిక్ కలర్ గ్రాఫిక్స్ మరియు ఆచరణాత్మక, వాస్తవ-ప్రపంచ ఉదాహరణలను కలిగి ఉండే హాస్యభరితమైన మెషిన్ లెర్నింగ్ పుస్తకం.
ఇది అవసరమైన అల్గారిథమ్ల కోసం సాధారణం గద్య మరియు సూడోకోడ్తో నిండి ఉంది. మెషిన్ లెర్నింగ్: ఒక ప్రాబబిలిస్టిక్ దృక్పథం, ఇతర మెషీన్ లెర్నింగ్ పబ్లికేషన్లకు భిన్నంగా కుక్బుక్ శైలిలో ప్రదర్శించబడుతుంది మరియు వివిధ హ్యూరిస్టిక్ విధానాలను వివరిస్తుంది, ఇది సూత్రప్రాయమైన నమూనా-ఆధారిత విధానంపై దృష్టి పెడుతుంది.
ఇది స్పష్టంగా మరియు అర్థమయ్యే రీతిలో గ్రాఫికల్ ప్రాతినిధ్యాలను ఉపయోగించి ml నమూనాలను నిర్దేశిస్తుంది. ఏకీకృత, సంభావ్యత విధానం ఆధారంగా, ఈ పాఠ్యపుస్తకం యంత్ర అభ్యాసానికి సంబంధించిన పూర్తి మరియు స్వీయ-నియంత్రణ పరిచయాన్ని అందిస్తుంది.
సంభావ్యత, ఆప్టిమైజేషన్ మరియు లీనియర్ ఆల్జీబ్రా వంటి అంశాలపై ప్రాథమిక నేపథ్య మెటీరియల్తో పాటు, షరతులతో కూడిన యాదృచ్ఛిక ఫీల్డ్లు, L1 క్రమబద్ధీకరణ మరియు లోతైన అభ్యాసం వంటి ప్రాంతంలో సమకాలీన పురోగమనాల చర్చతో సహా కంటెంట్ విస్తృతమైనది మరియు లోతైనది.
ఈ పుస్తకం సాధారణ, అందుబాటులో ఉండే భాషలో వ్రాయబడింది, ఇందులో ప్రధాన ముఖ్యమైన అల్గారిథమ్ల కోసం నకిలీ కోడ్ ఉంటుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- ప్రాబబిలిటీ
- డీప్ లెర్నింగ్
- ఎల్ 1 రెగ్యులరైజేషన్
- సర్వోత్తమీకరణం
- టెక్స్ట్ ప్రాసెసింగ్
- కంప్యూటర్ విజన్ అప్లికేషన్లు
- రోబోటిక్స్ అప్లికేషన్లు
<span style="font-family: arial; ">10</span> స్టాటిస్టికల్ లెర్నింగ్ యొక్క అంశాలు
దాని సంభావిత ఫ్రేమ్వర్క్ మరియు అనేక రకాల సబ్జెక్టుల కోసం, ఈ మెషీన్ లెర్నింగ్ టెక్స్ట్బుక్ తరచుగా ఫీల్డ్లో గుర్తించబడుతుంది.
ఈ పుస్తకాన్ని న్యూరల్ నెట్వర్క్లు మరియు టెస్టింగ్ టెక్నిక్లు అలాగే మెషిన్ లెర్నింగ్కి సరళమైన పరిచయం వంటి అంశాలపై బ్రష్ చేయాల్సిన ఎవరికైనా సూచనగా ఉపయోగించవచ్చు.
పుస్తకం ప్రతి మలుపులో వారి స్వంత ప్రయోగాలు మరియు పరిశోధనలు చేయడానికి పాఠకులను దూకుడుగా నెట్టివేస్తుంది, యంత్ర అభ్యాస సామర్థ్యం లేదా ఉద్యోగంలో సంబంధిత పురోగతిని చేయడానికి అవసరమైన సామర్థ్యాలు మరియు ఉత్సుకతను పెంపొందించడానికి ఇది విలువైనదిగా చేస్తుంది.
గణాంకవేత్తలకు మరియు వ్యాపారం లేదా సైన్స్లో డేటా మైనింగ్పై ఆసక్తి ఉన్న ఎవరికైనా ఇది ముఖ్యమైన సాధనం. ఈ పుస్తకాన్ని ప్రారంభించే ముందు మీరు లీనియర్ బీజగణితాన్ని కనీసం అర్థం చేసుకున్నారని నిర్ధారించుకోండి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- పర్యవేక్షించబడని అభ్యాసం నుండి పర్యవేక్షించబడిన అభ్యాసం (అంచనా).
- న్యూరల్ నెట్వర్క్లు
- వెక్టర్ యంత్రాలకు మద్దతు ఇవ్వండి
- వర్గీకరణ చెట్లు
- అల్గారిథమ్లను పెంచుతోంది
<span style="font-family: arial; ">10</span> ప్యాటర్న్ రికగ్నిషన్ మరియు మెషిన్ లెర్నింగ్
నమూనా గుర్తింపు మరియు యంత్ర అభ్యాస ప్రపంచాలను ఈ పుస్తకంలో పూర్తిగా అన్వేషించవచ్చు. నమూనా గుర్తింపుకు బయేసియన్ విధానం వాస్తవానికి ఈ ప్రచురణలో ప్రదర్శించబడింది.
ఇంకా, పుస్తకం మల్టీవియారిట్, డేటా సైన్స్ మరియు ఫండమెంటల్ లీనియర్ ఆల్జీబ్రాపై పని అవగాహన అవసరమయ్యే సవాలు విషయాలను పరిశీలిస్తుంది.
మెషీన్ లెర్నింగ్ మరియు సంభావ్యతపై, డేటాసెట్లలోని ట్రెండ్ల ఆధారంగా రెఫరెన్స్ బుక్ క్రమక్రమంగా కష్టతరమైన స్థాయిల సంక్లిష్టతతో అధ్యాయాలను అందిస్తుంది. నమూనా గుర్తింపుకు సాధారణ పరిచయానికి ముందు సాధారణ ఉదాహరణలు ఇవ్వబడ్డాయి.
పుస్తకం ఉజ్జాయింపు అనుమితి కోసం సాంకేతికతలను అందిస్తుంది, ఇది ఖచ్చితమైన పరిష్కారాలు అసాధ్యమైన సందర్భాల్లో త్వరిత అంచనాలను అనుమతిస్తుంది. సంభావ్యత పంపిణీలను వివరించడానికి గ్రాఫికల్ నమూనాలను ఉపయోగించే ఇతర పుస్తకాలు ఏవీ లేవు, కానీ అది చేస్తుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- బయేసియన్ పద్ధతులు
- ఉజ్జాయింపు అనుమితి అల్గోరిథంలు
- కెర్నలు ఆధారంగా కొత్త నమూనాలు
- ప్రాథమిక సంభావ్యత సిద్ధాంతానికి పరిచయం
- నమూనా గుర్తింపు మరియు యంత్ర అభ్యాసానికి పరిచయం
<span style="font-family: arial; ">10</span> ప్రిడిక్టివ్ డేటా అనలిటిక్స్ నుండి మెషిన్ లెర్నింగ్ యొక్క ప్రాథమిక అంశాలు
మీరు మెషిన్ లెర్నింగ్ యొక్క ప్రాథమిక అంశాలలో ప్రావీణ్యం సంపాదించి, ప్రిడిక్టివ్ డేటా అనలిటిక్స్కు వెళ్లాలనుకుంటే, ఇది మీ కోసం పుస్తకం!!! భారీ డేటాసెట్ల నుండి నమూనాలను కనుగొనడం ద్వారా, అంచనా నమూనాలను అభివృద్ధి చేయడానికి మెషిన్ లెర్నింగ్ను ఉపయోగించవచ్చు.
ఈ పుస్తకం ML వినియోగం యొక్క అమలును పరిశీలిస్తుంది ప్రిడిక్టివ్ డేటా అనలిటిక్స్ సైద్ధాంతిక సూత్రాలు మరియు వాస్తవ ఉదాహరణలు రెండింటితో సహా లోతైనవి.
"ఫండమెంటల్స్ ఆఫ్ మెషిన్ లెర్నింగ్ ఫర్ ప్రిడిక్టివ్ డేటా అనలిటిక్స్" అనే శీర్షిక నోటికి వచ్చినప్పటికీ, ఈ పుస్తకం డేటా నుండి అంతర్దృష్టి నుండి ముగింపు వరకు ప్రిడిక్టివ్ డేటా అనలిటిక్స్ ప్రయాణాన్ని వివరిస్తుంది.
ఇది నాలుగు యంత్ర అభ్యాస విధానాలను కూడా చర్చిస్తుంది: సమాచార-ఆధారిత అభ్యాసం, సారూప్యత-ఆధారిత అభ్యాసం, సంభావ్యత-ఆధారిత అభ్యాసం మరియు దోష-ఆధారిత అభ్యాసం, ప్రతి ఒక్కటి సాంకేతికత-కాని సంభావిత వివరణతో పాటు గణిత నమూనాలు మరియు ఉదాహరణలతో అల్గారిథమ్లతో ఉంటాయి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- సమాచార ఆధారిత అభ్యాసం
- సారూప్యత ఆధారిత అభ్యాసం
- సంభావ్యత ఆధారిత అభ్యాసం
- లోపం ఆధారిత అభ్యాసం
<span style="font-family: arial; ">10</span> అప్లైడ్ ప్రిడిక్టివ్ మోడలింగ్
అప్లైడ్ ప్రిడిక్టివ్ మోడలింగ్ అనేది డేటా ప్రిప్రాసెసింగ్, డేటా స్ప్లిటింగ్ మరియు మోడల్ ట్యూనింగ్ ఫౌండేషన్ల యొక్క క్లిష్టమైన దశలతో మొదలై మొత్తం ప్రిడిక్టివ్ మోడలింగ్ ప్రక్రియను పరిశీలిస్తుంది.
వాస్తవ-ప్రపంచ డేటా సవాళ్లను చూపడం మరియు పరిష్కరించడంపై దృష్టి సారించి, వివిధ రకాల సాంప్రదాయిక మరియు ఇటీవలి తిరోగమనం మరియు వర్గీకరణ విధానాల యొక్క స్పష్టమైన వివరణలను ఈ పని అందిస్తుంది.
గైడ్ మోడలింగ్ ప్రక్రియ యొక్క అన్ని అంశాలను అనేక ప్రయోగాత్మక, వాస్తవ-ప్రపంచ ఉదాహరణలతో ప్రదర్శిస్తుంది మరియు ప్రతి అధ్యాయం ప్రక్రియ యొక్క ప్రతి దశకు సమగ్ర R కోడ్ను కలిగి ఉంటుంది.
ఈ బహుళార్ధసాధక వాల్యూమ్ను ప్రిడిక్టివ్ మోడల్లకు మరియు మొత్తం మోడలింగ్ ప్రక్రియకు పరిచయంగా, అభ్యాసకులకు సూచన మార్గదర్శిగా లేదా అధునాతన అండర్ గ్రాడ్యుయేట్ లేదా గ్రాడ్యుయేట్ స్థాయి ప్రిడిక్టివ్ మోడలింగ్ కోర్సులకు టెక్స్ట్గా ఉపయోగించవచ్చు.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- రిగ్రెషన్ టెక్నిక్
- వర్గీకరణ సాంకేతికత
- కాంప్లెక్స్ ML అల్గోరిథంలు
<span style="font-family: arial; ">10</span> మెషిన్ లెర్నింగ్: ద ఆర్ట్ అండ్ సైన్స్ ఆఫ్ అల్గారిథమ్స్ ద మేక్ సెన్స్ ఆఫ్ డేటా
మీరు మెషిన్ లెర్నింగ్లో ఇంటర్మీడియట్ లేదా నిపుణుడు అయితే మరియు "ఫండమెంటల్స్కి" తిరిగి వెళ్లాలనుకుంటే, ఈ పుస్తకం మీ కోసం! ఇది మెషిన్ లెర్నింగ్ యొక్క అపారమైన సంక్లిష్టత మరియు లోతుకు పూర్తి క్రెడిట్ చెల్లిస్తుంది, అయితే దాని ఏకీకృత సూత్రాలను ఎప్పటికీ కోల్పోదు (చాలా సాఫల్యం!).
మెషిన్ లెర్నింగ్: ఆర్ట్ అండ్ సైన్స్ ఆఫ్ అల్గారిథమ్స్లో సంక్లిష్టతను పెంచే అనేక కేస్ స్టడీస్ ఉన్నాయి, అలాగే అనేక ఉదాహరణలు మరియు చిత్రాలు (విషయాలు ఆసక్తికరంగా ఉంచడానికి!).
ఈ పుస్తకం విస్తృత శ్రేణి తార్కిక, రేఖాగణిత మరియు గణాంక నమూనాలు, అలాగే మ్యాట్రిక్స్ ఫ్యాక్టరైజేషన్ మరియు ROC విశ్లేషణ వంటి సంక్లిష్టమైన మరియు నవల విషయాలను కూడా కవర్ చేస్తుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- మెషిన్ లెర్నింగ్ అల్గారిథమ్లను సులభతరం చేస్తుంది
- లాజికల్ మోడల్
- రేఖాగణిత నమూనా
- గణాంక నమూనా
- ROC విశ్లేషణ
<span style="font-family: arial; ">10</span> డేటా మైనింగ్: ప్రాక్టికల్ మెషిన్ లెర్నింగ్ టూల్స్ & టెక్నిక్స్
డేటాబేస్ సిస్టమ్స్, మెషిన్ లెర్నింగ్ మరియు స్టాటిస్టిక్స్ అధ్యయనం నుండి విధానాలను ఉపయోగించి, డేటా మైనింగ్ టెక్నిక్లు విస్తారమైన డేటాలో నమూనాలను కనుగొనడంలో మాకు సహాయపడతాయి.
మీరు ప్రత్యేకంగా డేటా మైనింగ్ టెక్నిక్లను అధ్యయనం చేయాలనుకుంటే లేదా సాధారణంగా మెషిన్ లెర్నింగ్ నేర్చుకోవాలని ప్లాన్ చేస్తే మీరు డేటా మైనింగ్: ప్రాక్టికల్ మెషిన్ లెర్నింగ్ టూల్స్ మరియు టెక్నిక్స్ అనే పుస్తకాన్ని పొందాలి.
మెషీన్ లెర్నింగ్పై అత్యుత్తమ పుస్తకం దాని సాంకేతిక వైపు ఎక్కువ దృష్టి పెడుతుంది. ఇది మెషిన్ లెర్నింగ్ యొక్క సాంకేతిక చిక్కులు మరియు డేటాను సేకరించడం మరియు ఫలితాలను నిర్ధారించడానికి వివిధ ఇన్పుట్లు మరియు అవుట్పుట్లను ఉపయోగించడం కోసం వ్యూహాలను మరింతగా పరిశోధిస్తుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- లీనియర్ మోడల్స్
- క్లస్టరింగ్
- స్టాటిస్టికల్ మోడలింగ్
- పనితీరును అంచనా వేస్తోంది
- డేటా మైనింగ్ పద్ధతులను పోల్చడం
- ఉదాహరణ ఆధారిత అభ్యాసం
- నాలెడ్జ్ రిప్రజెంటేషన్ & క్లస్టర్లు
- సాంప్రదాయ మరియు ఆధునిక డేటా మైనింగ్ పద్ధతులు
<span style="font-family: arial; ">10</span> డేటా విశ్లేషణ కోసం పైథాన్
మెషీన్ లెర్నింగ్లో ఉపయోగించే డేటాను మూల్యాంకనం చేయగల సామర్థ్యం డేటా సైంటిస్ట్ కలిగి ఉండవలసిన అతి ముఖ్యమైన నైపుణ్యం. ఖచ్చితమైన సూచనను అందించే ML మోడల్ను అభివృద్ధి చేయడానికి ముందు, మీ ఉద్యోగంలో ఎక్కువ భాగం డేటాను హ్యాండ్లింగ్, ప్రాసెసింగ్, క్లీనింగ్ మరియు అంచనా వేయడం వంటివి ఉంటాయి.
డేటా విశ్లేషణను అమలు చేయడానికి మీరు Pandas, NumPy, Ipython మరియు ఇతర ప్రోగ్రామింగ్ భాషలతో పరిచయం కలిగి ఉండాలి.
మీరు డేటా సైన్స్ లేదా మెషిన్ లెర్నింగ్లో పని చేయాలనుకుంటే, మీరు తప్పనిసరిగా డేటాను మార్చగల సామర్థ్యాన్ని కలిగి ఉండాలి.
ఈ సందర్భంలో మీరు ఖచ్చితంగా డేటా విశ్లేషణ కోసం పైథాన్ పుస్తకాన్ని చదవాలి.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- ఎసెన్షియల్ పైథాన్ లైబ్రరీస్
- అధునాతన పాండాలు
- డేటా విశ్లేషణ ఉదాహరణలు
- డేటా క్లీనింగ్ మరియు ప్రిపరేషన్
- గణిత మరియు గణాంక పద్ధతులు
- వివరణాత్మక గణాంకాలను సంగ్రహించడం మరియు కంప్యూటింగ్ చేయడం
<span style="font-family: arial; ">10</span> పైథాన్తో సహజ భాషా ప్రాసెసింగ్
మెషిన్ లెర్నింగ్ సిస్టమ్స్ యొక్క పునాది సహజ భాషా ప్రాసెసింగ్.
పైథాన్తో నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ అనే పుస్తకం NLTKని ఎలా ఉపయోగించాలో మీకు నిర్దేశిస్తుంది, ఇది ఆంగ్లం మరియు NLP కోసం సింబాలిక్ మరియు స్టాటిస్టికల్ నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ కోసం బాగా ఇష్టపడే పైథాన్ మాడ్యూల్స్ మరియు సాధనాల సేకరణ.
పైథాన్ పుస్తకంతో నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ ప్రభావవంతమైన పైథాన్ రొటీన్లను అందిస్తుంది, ఇది NLPని సంక్షిప్తంగా, స్పష్టమైన విధంగా ప్రదర్శిస్తుంది.
నిర్మాణాత్మక డేటా, టెక్స్ట్-భాషా నిర్మాణం మరియు ఇతర NLP-కేంద్రీకృత అంశాలతో వ్యవహరించడం కోసం పాఠకులు బాగా ఉల్లేఖించిన డేటాసెట్లకు ప్రాప్యతను కలిగి ఉంటారు.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- మానవ భాష ఎలా పనిచేస్తుంది?
- భాషా డేటా నిర్మాణాలు
- సహజ భాషా టూల్కిట్ (NLTK)
- పార్సింగ్ మరియు సెమాంటిక్ విశ్లేషణ
- ప్రసిద్ధ భాషా డేటాబేస్లు
- నుండి సాంకేతికతలను ఏకీకృతం చేయండి కృత్రిమ మేధస్సు మరియు భాషాశాస్త్రం
<span style="font-family: arial; ">10</span> ప్రోగ్రామింగ్ కలెక్టివ్ ఇంటెలిజెన్స్
మెషిన్ లెర్నింగ్ను అర్థం చేసుకోవడం ప్రారంభించడానికి గొప్ప పుస్తకాలలో ఒకటిగా పరిగణించబడే టోబి సెగరన్చే ప్రోగ్రామింగ్ కలెక్టివ్ ఇంటెలిజెన్స్, 2007లో వ్రాయబడింది, డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ ప్రముఖ వృత్తిపరమైన మార్గాలుగా వాటి ప్రస్తుత స్థానాన్ని చేరుకోవడానికి కొన్ని సంవత్సరాల ముందు.
ఈ పుస్తకం పైథాన్ని తన ప్రేక్షకులకు దాని నైపుణ్యాన్ని వ్యాప్తి చేసే పద్ధతిగా ఉపయోగిస్తుంది. ప్రోగ్రామింగ్ కలెక్టివ్ ఇంటెలిజెన్స్ అనేది మెషీన్ లెర్నింగ్కి పరిచయం కంటే ml అమలుకు సంబంధించిన మాన్యువల్.
యాప్ల నుండి డేటాను సేకరించడం కోసం సమర్థవంతమైన ML అల్గారిథమ్లను అభివృద్ధి చేయడం, వెబ్సైట్ల నుండి డేటాను పొందడం కోసం ప్రోగ్రామింగ్ చేయడం మరియు సేకరించిన డేటాను ఎక్స్ట్రాపోలేట్ చేయడం గురించి ఈ పుస్తకం సమాచారాన్ని అందిస్తుంది.
ప్రతి అధ్యాయం చర్చించిన అల్గారిథమ్లను విస్తరించడానికి మరియు వాటి ఉపయోగాన్ని మెరుగుపరచడానికి కార్యకలాపాలను కలిగి ఉంటుంది.
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- బయేసియన్ ఫిల్టరింగ్
- వెక్టర్ యంత్రాలకు మద్దతు ఇవ్వండి
- శోధన ఇంజిన్ అల్గోరిథంలు
- అంచనాలు వేయడానికి మార్గాలు
- సహకార వడపోత పద్ధతులు
- నాన్-నెగటివ్ మ్యాట్రిక్స్ ఫ్యాక్టరైజేషన్
- సమస్య పరిష్కారానికి మేధస్సును అభివృద్ధి చేయడం
- సమూహాలు లేదా నమూనాలను గుర్తించే పద్ధతులు
<span style="font-family: arial; ">10</span> డీప్ లెర్నింగ్ (అడాప్టేటివ్ కంప్యూటేషన్ మరియు మెషిన్ లెర్నింగ్ సిరీస్)
మనందరికీ తెలిసినట్లుగా, డీప్ లెర్నింగ్ అనేది మెరుగైన మెషీన్ లెర్నింగ్, ఇది కంప్యూటర్లు గత పనితీరు మరియు పెద్ద మొత్తంలో డేటా నుండి నేర్చుకునేలా చేస్తుంది.
మెషిన్ లెర్నింగ్ టెక్నిక్లను ఉపయోగిస్తున్నప్పుడు, మీరు లోతైన అభ్యాస సూత్రాలతో కూడా సంభాషించాలి. లోతైన అభ్యాసానికి సంబంధించిన బైబిల్గా పరిగణించబడే ఈ పుస్తకం ఈ సందర్భంలో చాలా సహాయకారిగా ఉంటుంది.
ముగ్గురు లోతైన అభ్యాస నిపుణులు ఈ పుస్తకంలో గణితం మరియు లోతైన ఉత్పాదక నమూనాలతో నిండిన అత్యంత సంక్లిష్టమైన అంశాలను కవర్ చేశారు.
గణిత మరియు సంభావిత ప్రాతిపదికను అందించడం, పని సరళ బీజగణితం, సంభావ్యత సిద్ధాంతం, సమాచార సిద్ధాంతం, సంఖ్యా గణన మరియు యంత్ర అభ్యాసంలో సంబంధిత ఆలోచనలను చర్చిస్తుంది.
ఇది న్యాచురల్ లాంగ్వేజ్ ప్రాసెసింగ్, స్పీచ్ రికగ్నిషన్, కంప్యూటర్ విజన్, ఆన్లైన్ రికమండేషన్ సిస్టమ్స్, బయోఇన్ఫర్మేటిక్స్ మరియు వీడియోగేమ్స్ వంటి అప్లికేషన్లను పరిశీలిస్తుంది మరియు డీప్ ఫీడ్ఫార్వర్డ్ నెట్వర్క్లు, రెగ్యులరైజేషన్ మరియు ఆప్టిమైజేషన్ అల్గారిథమ్లు, కన్వల్యూషనల్ నెట్వర్క్లు మరియు ప్రాక్టికల్ మెథడాలజీ వంటి పరిశ్రమ అభ్యాసకులు ఉపయోగించే లోతైన అభ్యాస పద్ధతులను వివరిస్తుంది. .
పుస్తకంలో కవర్ చేయబడిన అంశాలు
- సంఖ్యా గణన
- లోతైన అభ్యాస పరిశోధన
- కంప్యూటర్ విజన్ పద్ధతులు
- డీప్ ఫీడ్ఫార్వర్డ్ నెట్వర్క్లు
- శిక్షణ డీప్ మోడల్స్ కోసం ఆప్టిమైజేషన్
- ప్రాక్టికల్ మెథడాలజీ
- లోతైన అభ్యాస పరిశోధన
ముగింపు
20 అగ్రశ్రేణి మెషీన్ లెర్నింగ్ పుస్తకాలు ఆ జాబితాలో సంగ్రహించబడ్డాయి, మీరు మెషిన్ లెర్నింగ్ని మీకు నచ్చిన దిశలో అభివృద్ధి చేయడానికి ఉపయోగించవచ్చు.
మీరు వివిధ రకాల పాఠ్యపుస్తకాలను చదివితే, మీరు మెషీన్ లెర్నింగ్ నైపుణ్యం మరియు ఆ ప్రాంతంలో పని చేస్తున్నప్పుడు తరచుగా ఉపయోగించగల ఒక రిఫరెన్స్ లైబ్రరీలో బలమైన పునాదిని అభివృద్ధి చేయగలరు.
మీరు కేవలం ఒక పుస్తకాన్ని చదివినా కూడా నేర్చుకోవడం, మెరుగుపరచడం మరియు ప్రభావం చూపడం కోసం మీరు స్ఫూర్తిని పొందుతారు.
మీరు మీ స్వంత మెషీన్ లెర్నింగ్ అల్గారిథమ్లను అభివృద్ధి చేయడానికి సిద్ధంగా ఉన్నప్పుడు మరియు సమర్థంగా ఉన్నప్పుడు, మీ ప్రాజెక్ట్ విజయానికి డేటా చాలా అవసరమని గుర్తుంచుకోండి.
సమాధానం ఇవ్వూ