Atọka akoonu[Fipamọ][Ifihan]
Nipa ọna, gbogbo wa ni akiyesi bawo ni iyara ti imọ-ẹrọ ikẹkọ ẹrọ ti ni idagbasoke ni awọn ọdun pupọ sẹhin. Ẹkọ ẹrọ jẹ ibawi ti o ti fa iwulo ti ọpọlọpọ awọn ile-iṣẹ, awọn ọmọ ile-iwe giga, ati awọn apa.
Nitori eyi, Emi yoo jiroro diẹ ninu awọn iwe ti o tobi julọ lori ẹkọ ẹrọ ti ẹlẹrọ tabi tuntun yẹ ki o ka loni. Ó gbọ́dọ̀ jẹ́ kí gbogbo yín ti gbà pé kíkà ìwé kìí ṣe ohun kan náà àti lílo ọgbọ́n.
Awọn iwe kika ṣe iranlọwọ fun ọkan wa lati ṣawari ọpọlọpọ awọn ohun titun. Kika jẹ ẹkọ, lẹhinna. Aami-akẹẹkọ ti ara ẹni jẹ igbadun pupọ lati ni. Awọn iwe-ẹkọ ti o tobi julọ ti o wa ni aaye ni yoo ṣe afihan ni nkan yii.
Awọn iwe-ẹkọ ti o tẹle yii nfunni ni ifihan idanwo-ati-otitọ si aaye nla ti AI ati pe a lo nigbagbogbo ni awọn iṣẹ ile-ẹkọ giga ati iṣeduro nipasẹ awọn ọmọ ile-iwe ati awọn onimọ-ẹrọ bakanna.
Paapa ti o ba ti o ba ni kan pupọ ti imudani ẹrọ iriri, gbigba ọkan ninu awọn iwe-ẹkọ wọnyi le jẹ ọna ti o ni ẹru lati fẹlẹ. Lẹhinna, ẹkọ jẹ ilana ti o tẹsiwaju.
1. Ẹkọ ẹrọ Fun Awọn olubere pipe
O fẹ lati kọ ẹkọ ẹrọ ṣugbọn ko mọ bi o ṣe le ṣe. Orisirisi imọ-jinlẹ pataki ati awọn imọran iṣiro yẹ ki o loye ṣaaju bẹrẹ irin-ajo apọju rẹ sinu ikẹkọ ẹrọ. Ati pe iwe yii kun iwulo yẹn!
O funni ni awọn alakobere pipe pẹlu ipele giga, iwulo ifihan to ẹrọ eko. Iwe Machine Learning for Absolute Beginners jẹ ọkan ninu awọn aṣayan ti o dara julọ fun ẹnikẹni ti o n wa alaye ti o rọrun julọ ti ẹkọ ẹrọ ati awọn imọran ti o ni nkan ṣe.
Awọn algoridimu milimita lọpọlọpọ ti iwe naa wa pẹlu awọn alaye ṣoki ati awọn apẹẹrẹ ayaworan lati ṣe iranlọwọ fun awọn oluka lati loye ohun gbogbo ti a jiroro.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn ipilẹ ti awọn nẹtiwọki ti nhu
- Onínọmbà iyika
- Ẹya ẹrọ
- Fọtò
- Wiwulo agbelebu
- Data scrubing imuposi
- Awọn igi ipinnu
- Awoṣe akojọpọ
2. Ẹkọ ẹrọ fun dummies
Ẹkọ ẹrọ le jẹ imọran airoju fun awọn eniyan deede. Sibẹsibẹ, o jẹ iye owo fun awọn ti wa ti o ni oye.
Laisi ML, o ṣoro lati ṣakoso awọn ọran bii awọn abajade wiwa ori ayelujara, awọn ipolowo akoko gidi lori awọn oju-iwe wẹẹbu, adaṣe, tabi paapaa sisẹ àwúrúju (Bẹẹni!).
Bi abajade, iwe yii fun ọ ni ifihan taara ti yoo ṣe iranlọwọ fun ọ ni imọ siwaju sii nipa agbegbe enigmatic ti ẹkọ ẹrọ. Pẹlu iranlọwọ ti Ẹkọ Ẹrọ Fun Awọn Dummies, iwọ yoo kọ bii o ṣe le “sọ” awọn ede bii Python ati R, eyiti yoo jẹ ki o kọ awọn kọnputa lati ṣe idanimọ apẹẹrẹ ati itupalẹ data.
Ni afikun, iwọ yoo kọ ẹkọ bi o ṣe le lo Python's Anaconda ati R Studio lati dagbasoke ni R.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Igbaradi data
- awọn ọna fun ẹkọ ẹrọ
- Ayika ikẹkọ ẹrọ
- Abojuto ati ẹkọ ti ko ni abojuto
- Awọn ọna ṣiṣe ikẹkọ ẹrọ ikẹkọ
- Tita awọn ọna ikẹkọ ẹrọ si awọn abajade
3. Iwe Ẹkọ Ọgọrun Oju-iwe
Ṣe o ṣee ṣe lati bo gbogbo awọn aaye ti ẹkọ ẹrọ ni labẹ awọn oju-iwe 100? Andriy Burkov Iwe Ẹkọ Ẹrọ Ọgọrun-oju-iwe jẹ igbiyanju lati ṣe kanna.
Iwe ẹkọ ẹrọ jẹ kikọ daradara ati atilẹyin nipasẹ awọn oludari ero olokiki pẹlu Sujeet Varakhedi, Ori ti Imọ-ẹrọ ni eBay, ati Peter Norvig, Oludari Iwadi ni Google.
O jẹ iwe ti o tobi julọ fun olubere ni ẹkọ ẹrọ. Lẹhin kika iwe naa ni kikun, iwọ yoo ni anfani lati kọ ati loye awọn eto AI fafa, ṣaṣeyọri ninu ifọrọwanilẹnuwo ikẹkọ ẹrọ, ati paapaa ṣe ifilọlẹ ile-iṣẹ ti o da lori ML tirẹ.
Sibẹsibẹ, iwe naa ko ṣe ipinnu fun awọn olubere pipe ni ẹkọ ẹrọ. Wo ibikan ti o ba n wa ohunkohun pataki diẹ sii.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Anatomi ti a eko alugoridimu
- Ẹkọ abojuto ati ẹkọ ti ko ni abojuto
- Ẹkọ Isọdọtun
- Awọn algoridimu ipilẹ ti Ẹkọ ẹrọ
- Akopọ ti awọn nẹtiwọki Neural ati ẹkọ ti o jinlẹ
4. Oye Machine Learning
Ifihan eto si ẹkọ ẹrọ ni a pese ninu iwe Understanding Machine Learning. Iwe naa jinlẹ jinna si awọn imọran ipilẹ, awọn iṣiro iṣiro, ati awọn itọsẹ mathematiki ti ẹkọ ẹrọ.
Ibiti o gbooro ti awọn koko-ọrọ ikẹkọ ẹrọ ni a gbekalẹ ni ọna ti o rọrun nipasẹ kikọ ẹrọ. Awọn ipilẹ imọ-ẹrọ ti ẹkọ ẹrọ ni a ṣe apejuwe ninu iwe, papọ pẹlu awọn itọsẹ mathematiki ti o yi awọn ipilẹ wọnyi pada si awọn algoridimu ti o wulo.
Iwe naa ṣafihan awọn ipilẹ ṣaaju ki o to bo ọpọlọpọ awọn koko-ọrọ pataki ti ko ti bo nipasẹ awọn iwe-ẹkọ iṣaaju.
Ti o wa ninu eyi ni ifọrọwọrọ ti isọdọtun ati awọn imọran iduroṣinṣin ati idiju iširo ti ẹkọ, bakanna bi awọn paragimu algorithmic pataki bi stochastic isosileomi ite, awọn nẹtiwọọki nkankikan, ati ikẹkọ iṣelọpọ ti eleto, bakanna bi awọn imọran imọ-jinlẹ tuntun ti n yọ jade bii ọna PAC-Bayes ati awọn aala orisun-funmorawon. apẹrẹ fun ibẹrẹ grads tabi to ti ni ilọsiwaju undergraduates.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Idiju iṣiro ti ẹkọ ẹrọ
- Awọn alugoridimu ML
- Awọn nẹtiwọki nọnu
- PAC-Bayes ona
- Sitokasitik gradient iran
- Ti eleto o wu eko
5. Ifihan si Ẹkọ ẹrọ pẹlu Python
Ṣe o jẹ onimọ-jinlẹ data data Python-savvy ti o fẹ lati kọ ẹkọ ẹrọ? Iwe ti o dara julọ lati bẹrẹ ìrìn ikẹkọ ẹrọ rẹ pẹlu ni Ifihan si Ẹkọ ẹrọ pẹlu Python: Itọsọna fun Awọn onimọ-jinlẹ data.
Pẹlu iranlọwọ ti iwe Ifihan si Ẹkọ ẹrọ pẹlu Python: Itọsọna fun Awọn onimọ-jinlẹ Data, iwọ yoo ṣe awari ọpọlọpọ awọn ilana ti o wulo fun ṣiṣẹda awọn eto ikẹkọ ẹrọ aṣa.
Iwọ yoo bo gbogbo igbese to ṣe pataki ti o kan ni lilo Python ati package Scikit-Learn lati kọ awọn ohun elo ikẹkọ ẹrọ ti o gbẹkẹle.
Nini oye to lagbara ti matplotlib ati awọn ile-ikawe NumPy yoo jẹ ki ẹkọ rọrun pupọ.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn ilana ode oni fun tweaking paramita ati igbelewọn awoṣe
- Awọn ohun elo ati awọn imọran ikẹkọ ẹrọ ipilẹ
- aládàáṣiṣẹ eko imuposi
- Awọn ilana fun ifọwọyi data ọrọ
- Siwọn awoṣe ati awọn pipelines encapsulation bisesenlo
- Aṣoju data lẹhin sisẹ
6. Ọwọ-lori Ẹkọ Ẹrọ pẹlu Sci-kit kọ ẹkọ, Keras & Tensorflow
Lara awọn atẹjade pipe julọ lori imọ-jinlẹ data ati ẹkọ ẹrọ, o kun fun imọ. A gba ọ niyanju pe awọn amoye ati awọn alakọbẹrẹ ṣe iwadi diẹ sii nipa koko yii.
Botilẹjẹpe iwe yii ni iye diẹ ti imọran, o ni atilẹyin nipasẹ awọn apẹẹrẹ ti o lagbara, fifun ni aaye kan lori atokọ naa.
Iwe yii pẹlu awọn akọle oriṣiriṣi, pẹlu scikit-ẹkọ fun awọn iṣẹ ṣiṣe ikẹkọ ẹrọ ati TensorFlow fun ṣiṣẹda ati ikẹkọ awọn nẹtiwọọki nkankikan.
Lẹhin kika iwe yii, a ro pe iwọ yoo ni ipese dara julọ lati ṣawari siwaju si ẹkọ jinlẹ ki o si koju awọn iṣoro to wulo.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Ṣayẹwo ala-ilẹ ti ẹkọ ẹrọ, paapaa awọn nẹtiwọọki nkankikan
- Tọpinpin iṣẹ akanṣe ikẹkọ ẹrọ ayẹwo lati ibẹrẹ si ipari nipa lilo Scikit-Kọ ẹkọ.
- Ṣe ayẹwo ọpọlọpọ awọn awoṣe ikẹkọ, gẹgẹbi awọn ilana akojọpọ, awọn igbo laileto, awọn igi ipinnu, ati awọn ẹrọ fekito atilẹyin.
- Ṣẹda ati ṣe ikẹkọ awọn nẹtiwọọki nkankikan nipa lilo ile-ikawe TensorFlow.
- Gbé awọn nẹtiwọọki ti ariyanjiyan, awọn nẹtiwọọki loorekoore, ati ikẹkọ imuduro jinlẹ lakoko ti n ṣawari nkankikan net aṣa.
- Kọ ẹkọ bii o ṣe le ṣe iwọn ati ṣe ikẹkọ awọn nẹtiwọọki nkankikan jin.
7. Ẹkọ ẹrọ fun awọn olosa
Fun olupilẹṣẹ akoko ti o nifẹ si itupalẹ data, iwe Ẹkọ Ẹrọ fun Awọn olosa ti kọ. Awọn olosa jẹ awọn mathimatiki oye ni aaye yii.
Fun ẹnikan ti o ni oye ti R, iwe yii jẹ yiyan nla nitori pupọ julọ rẹ da lori itupalẹ data ni R. Ni afikun ti a bo ninu iwe ni bi o ṣe le ṣe afọwọyi data nipa lilo R to ti ni ilọsiwaju.
Ifisi ti awọn itan ọran ti o nii ṣe n tẹnu mọ idiyele ti lilo awọn algoridimu ikẹkọ ẹrọ le jẹ iwe Ẹkọ Ẹrọ fun aaye tita pataki julọ ti Awọn olosa.
Iwe naa funni ni ọpọlọpọ awọn apẹẹrẹ gidi-aye lati jẹ ki ẹrọ ikẹkọ rọrun ati yiyara ju ki o lọ jinle sinu imọ-jinlẹ mathematiki rẹ.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Ṣẹda kilasika Bayesian alaigbọkan ti o ṣe itupalẹ akoonu ti imeeli ni irọrun lati pinnu boya o jẹ àwúrúju.
- Ṣe asọtẹlẹ nọmba awọn iwo oju-iwe fun awọn oju opo wẹẹbu 1,000 ti o ga julọ nipa lilo ipadasẹhin laini
- Ṣewadii awọn ọna iṣapeye nipa gbigbeyanju lati ṣaja lẹta ti o taara taara.
8. Ẹkọ ẹrọ Python pẹlu Awọn apẹẹrẹ
Iwe yii, eyiti o ṣe iranlọwọ fun ọ lati loye ati ṣẹda ọpọlọpọ Ẹkọ Ẹrọ, Ẹkọ Jin, ati Awọn ọna Ayẹwo data, ṣee ṣe ọkan nikan ti o dojukọ Python nikan gẹgẹbi ede siseto.
O ni wiwa ọpọlọpọ awọn ile-ikawe ti o lagbara fun imuse oriṣiriṣi algorithms Ẹkọ Ẹrọ, gẹgẹbi Scikit-Learn. Module Flow Tensor naa lẹhinna lo lati kọ ọ nipa ẹkọ ti o jinlẹ.
Lakotan, o ṣe afihan ọpọlọpọ awọn anfani itupalẹ data ti o le ṣe aṣeyọri nipa lilo ẹrọ ati ẹkọ ti o jinlẹ.
O tun kọ ọ ni ọpọlọpọ awọn ilana ti o le ṣee lo lati mu imunadoko ti awoṣe ti o ṣẹda.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Ẹkọ Python ati Ẹkọ ẹrọ: Itọsọna Olukọbẹrẹ
- Ṣiṣayẹwo ṣeto data awọn ẹgbẹ iroyin 2 ati wiwa imeeli spam Naive Bayes
- Lilo awọn SVM, ṣe iyatọ awọn koko-ọrọ ti awọn itan iroyin Tẹ-nipasẹ asọtẹlẹ nipa lilo awọn algoridimu ti o da lori awọn igi
- Asọtẹlẹ ti tẹ-nipasẹ oṣuwọn nipa lilo ipadasẹhin logistic
- Lilo awọn algoridimu ipadasẹhin lati ṣe asọtẹlẹ awọn iṣedede ti o ga julọ awọn idiyele ọja
9. Python Machine Learning
Iwe Ẹkọ Ẹrọ Python ṣe alaye awọn ipilẹ ti ẹkọ ẹrọ bii pataki rẹ ni agbegbe oni-nọmba. O jẹ iwe ẹkọ ẹrọ fun awọn olubere.
Ni afikun ti a bo ninu iwe naa jẹ ọpọlọpọ awọn aaye abẹlẹ ati awọn ohun elo ikẹkọ ẹrọ. Awọn ilana ti siseto Python ati bii o ṣe le bẹrẹ pẹlu ede siseto ọfẹ ati ṣiṣi-ṣii jẹ tun bo ninu iwe Ẹkọ Ẹrọ Python.
Lẹhin ipari iwe ẹkọ ẹrọ, iwọ yoo ni anfani lati fi idi nọmba kan ti awọn iṣẹ ikẹkọ ẹrọ ṣiṣẹ ni imunadoko nipa lilo koodu Python.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn ipilẹ oye atọwọda
- igi ipinnu
- Padasẹhin eekaderi
- Ni-ijinle nkankikan nẹtiwọki
- Python siseto ede ibere
10. Ẹkọ ẹrọ: Irisi iṣeeṣe kan
Ẹkọ Ẹrọ: Iwoye Iṣeṣe jẹ iwe ikẹkọ ẹrọ ẹlẹrin ti o ṣe ẹya awọn aworan awọ nostalgic ati ilowo, awọn apẹẹrẹ gidi-aye lati awọn ilana bii isedale, iran kọnputa, awọn roboti, ati sisẹ ọrọ.
O kun fun prose lasan ati pseudocode fun awọn algoridimu pataki. Ẹkọ Ẹrọ: Iwoye Iṣeṣe, ni idakeji si awọn atẹjade ikẹkọ ẹrọ miiran ti o gbekalẹ ni ara ti iwe ounjẹ ati ṣe apejuwe ọpọlọpọ awọn isunmọ heuristic, dojukọ ọna ti o da lori awoṣe.
O pato awọn awoṣe milimita ni lilo awọn aṣoju ayaworan ni ọna ti o han ati oye. Da lori isokan, ọna iṣeeṣe, iwe-ẹkọ yii n pese ifihan pipe ati ti ara ẹni si agbegbe ti ẹkọ ẹrọ.
Akoonu naa gbooro ati jin, pẹlu ohun elo ipilẹ ipilẹ lori awọn akọle bii iṣeeṣe, iṣapeye, ati algebra laini, bakanna bi ijiroro ti awọn ilọsiwaju imusin ni agbegbe bii awọn aaye laileto, isọdọtun L1, ati ẹkọ ti o jinlẹ.
A kọ iwe naa ni ede aifẹ, ede isunmọ, ti o ni koodu afọwọsi fun awọn algoridimu pataki pataki.
Awọn koko-ọrọ ti o wa ninu iwe naa
- iṣeeṣe
- Ijinlẹ jinlẹ
- L1 ilana ilana
- ti o dara ju
- Ṣiṣe ọrọ
- Computer Vision ohun elo
- Awọn ohun elo Robotik
11. Awọn eroja ti Ẹkọ Iṣiro
Fun ilana imọran rẹ ati ọpọlọpọ awọn koko-ọrọ, iwe-ẹkọ ẹkọ ẹrọ yii nigbagbogbo jẹwọ ni aaye.
Iwe yii le ṣee lo bi itọkasi fun ẹnikẹni ti o nilo lati fẹlẹ lori awọn akọle bii awọn nẹtiwọọki nkankikan ati awọn imuposi idanwo bii iṣafihan irọrun si ikẹkọ ẹrọ.
Iwe naa ni ibinu titari oluka lati ṣe awọn adanwo ati awọn iwadii tiwọn ni gbogbo akoko, ti o jẹ ki o niyelori fun dida awọn agbara ati iwariiri ti o nilo lati ṣe awọn ilọsiwaju to wulo ni agbara ikẹkọ ẹrọ tabi iṣẹ.
O jẹ ohun elo pataki fun awọn oniṣiro ati ẹnikẹni ti o nifẹ si iwakusa data ni iṣowo tabi imọ-jinlẹ. Rii daju pe o loye algebra laini ni o kere ju ṣaaju bẹrẹ iwe yii.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Ẹkọ abojuto (asọtẹlẹ) si ẹkọ ti ko ni abojuto
- Awọn nẹtiwọki nọnu
- Ṣe atilẹyin awọn ẹrọ fekito
- Awọn igi ipin
- Awọn algoridimu igbega
12. Idanimọ Àpẹẹrẹ ati Ẹkọ ẹrọ
Awọn agbaye ti idanimọ apẹẹrẹ ati ẹkọ ẹrọ le ṣe iwadii daradara ninu iwe yii. Ọna Bayesian si idanimọ apẹẹrẹ ni akọkọ ti gbekalẹ ninu atẹjade yii.
Pẹlupẹlu, iwe naa ṣe ayẹwo awọn koko-ọrọ ti o nija ti o nilo oye iṣẹ ti multivariate, imọ-jinlẹ data, ati algebra laini ipilẹ.
Lori ẹkọ ẹrọ ati iṣeeṣe, iwe itọkasi nfunni awọn ipin pẹlu awọn ipele ti o le ni ilọsiwaju ti idiju ti o da lori awọn aṣa ni awọn ipilẹ data. Awọn apẹẹrẹ ti o rọrun ni a fun ṣaaju iṣafihan gbogbogbo si idanimọ apẹrẹ.
Iwe naa nfunni ni awọn ilana fun itọkasi isunmọ, eyiti o gba isunmọ iyara ni awọn ọran nigbati awọn ojutu gangan ko ṣiṣẹ. Ko si awọn iwe miiran ti o gba awọn awoṣe ayaworan lati ṣapejuwe awọn pinpin iṣeeṣe, ṣugbọn o ṣe.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn ọna Bayesian
- Awọn algoridimu ifunmọ
- Awọn awoṣe tuntun ti o da lori awọn kernels
- Ifihan si ipilẹ iṣeeṣe yii
- Ifihan si idanimọ apẹẹrẹ ati ẹkọ ẹrọ
13. Awọn ipilẹ ti Ẹkọ ẹrọ lati Awọn atupale data asọtẹlẹ
Ti o ba ti ni oye awọn ipilẹ ti ẹkọ ẹrọ ati pe o fẹ lati lọ si awọn atupale data asọtẹlẹ, eyi ni iwe fun ọ !!! Nipa wiwa awọn ilana lati awọn ipilẹ data nla, Ẹkọ Ẹrọ le ṣee lo lati ṣe agbekalẹ awọn awoṣe asọtẹlẹ.
Iwe yii ṣe ayẹwo imuse ti lilo ML Awọn atupale data asọtẹlẹ ni-ijinle, pẹlu mejeeji o tumq si agbekale ati gangan apeere.
Bi o ti jẹ pe akọle naa "Awọn ipilẹ ti Ẹkọ Ẹrọ fun Awọn Itupalẹ Awọn Itupalẹ Asọtẹlẹ" jẹ ẹnu, iwe yii yoo ṣe apejuwe irin-ajo Awọn Itupalẹ Asọtẹlẹ lati data si imọran si ipari.
O tun jiroro lori awọn ọna ikẹkọ ẹrọ mẹrin: ẹkọ ti o da lori alaye, ẹkọ ti o da lori ibajọra, ẹkọ ti o da lori iṣeeṣe, ati ẹkọ ti o da lori aṣiṣe, ọkọọkan pẹlu alaye imọran ti kii ṣe imọ-ẹrọ ti o tẹle awọn awoṣe mathematiki ati awọn algoridimu pẹlu awọn apẹẹrẹ.
Awọn koko-ọrọ ti a bo ninu iwe naa
- Ẹkọ ti o da lori alaye
- Ẹkọ ti o da lori ibajọra
- Ẹkọ ti o da lori iṣeeṣe
- Ẹkọ ti o da lori aṣiṣe
14. Applictive Asọtẹlẹ Modeli
Awoṣe Asọtẹlẹ ti a lo ṣe idanwo gbogbo ilana ṣiṣe awoṣe asọtẹlẹ, bẹrẹ pẹlu awọn ipele pataki ti iṣaju data, pipin data, ati awọn ipilẹ atunṣe awoṣe.
Iṣẹ naa lẹhinna ṣafihan awọn apejuwe ti o han gbangba ti ọpọlọpọ ti aṣa ati isọdọtun aipẹ ati awọn isunmọ isọdi, pẹlu idojukọ lori iṣafihan ati yanju awọn italaya data gidi-aye.
Itọsọna naa ṣe afihan gbogbo awọn ẹya ti ilana awoṣe pẹlu ọpọlọpọ awọn ọwọ-lori, awọn apẹẹrẹ gidi-aye, ati ipin kọọkan pẹlu koodu R okeerẹ fun ipele kọọkan ti ilana naa.
Iwọn didun ohun-ọpọlọpọ yii le ṣee lo bi ifihan si awọn awoṣe asọtẹlẹ ati gbogbo ilana awoṣe, gẹgẹbi itọsọna itọkasi fun awọn oṣiṣẹ, tabi bi ọrọ kan fun ọmọ ile-iwe giga ti o ni ilọsiwaju tabi awọn iṣẹ awoṣe asọtẹlẹ ipele mewa.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Imọ padasẹyin
- Ilana iyasọtọ
- Complex ML aligoridimu
15. Ẹkọ ẹrọ: Aworan ati Imọ ti Awọn alugoridimu ti o Ṣe oye ti Data
Ti o ba jẹ agbedemeji tabi amoye ni ẹkọ ẹrọ ati pe o fẹ lati lọ “pada si awọn ipilẹ,” iwe yii jẹ fun ọ! O sanwo kirẹditi ni kikun si idiju nla ti Ẹkọ Ẹrọ lakoko ti o ko padanu oju awọn ilana isokan rẹ (aṣeyọri pupọ!).
Ẹkọ ẹrọ: Iṣẹ ọna ati Imọ ti Awọn alugoridimu pẹlu ọpọlọpọ awọn iwadii ọran ti idiju ti o pọ si, ati ọpọlọpọ awọn apẹẹrẹ ati awọn aworan (lati jẹ ki awọn nkan nifẹ si!).
Iwe naa tun ni wiwa lọpọlọpọ ti ọgbọn, jiometirika, ati awọn awoṣe iṣiro, bakanna bi idiju ati awọn akọle aramada bii isọdi matrix ati itupalẹ ROC.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Ṣe irọrun awọn algorithms ẹkọ ẹrọ
- Mogbonwa awoṣe
- Jiometirika awoṣe
- Awoṣe iṣiro
- ROC onínọmbà
16. Iwakusa data: Awọn irinṣẹ Ẹkọ Ẹrọ Iṣeṣe & Awọn ilana
Lilo awọn isunmọ lati inu iwadi ti awọn ọna ṣiṣe data, ẹkọ ẹrọ, ati awọn iṣiro, awọn ilana iwakusa data jẹ ki a wa awọn ilana ni iye data lọpọlọpọ.
O yẹ ki o gba iwe Data Mining: Awọn Irinṣẹ Ikẹkọ Ẹrọ ti o wulo ati Awọn ilana ti o ba nilo lati ṣe iwadi awọn ilana iwakusa data ni pato tabi gbero lati kọ ẹkọ ẹrọ ni apapọ.
Iwe ti o dara julọ lori ẹkọ ẹrọ ṣe idojukọ diẹ sii lori ẹgbẹ imọ-ẹrọ rẹ. O ṣe iwadi siwaju si awọn intricacies imọ ẹrọ ẹrọ, ati awọn ilana fun ikojọpọ data ati lilo ọpọlọpọ awọn igbewọle ati awọn abajade lati ṣe idajọ awọn abajade.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn awoṣe laini
- Fọtò
- Iṣatunṣe awoṣe
- Iṣẹ asọtẹlẹ
- Ifiwera awọn ọna iwakusa data
- Ẹkọ ti o da lori apẹẹrẹ
- Aṣoju imọ & awọn iṣupọ
- Ibile ati igbalode data iwakusa imuposi
17. Python fun Data Analysis
Agbara lati ṣe iṣiro data ti a lo ninu ikẹkọ ẹrọ jẹ ọgbọn pataki julọ ti onimọ-jinlẹ data gbọdọ ni. Ṣaaju ki o to ṣe agbekalẹ awoṣe ML ti o ṣe agbejade asọtẹlẹ deede, pupọ julọ iṣẹ rẹ yoo pẹlu mimu, sisẹ, mimọ, ati iṣiro data.
O nilo lati faramọ awọn ede siseto bii Pandas, NumPy, Ipython, ati awọn miiran lati le ṣe itupalẹ data.
Ti o ba fẹ ṣiṣẹ ni imọ-jinlẹ data tabi ẹkọ ẹrọ, o gbọdọ ni agbara lati ṣe afọwọyi data.
O yẹ ki o dajudaju ka iwe Python fun Itupalẹ data ninu ọran yii.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Awọn ibaraẹnisọrọ Awọn ikawe Python
- Pandas to ti ni ilọsiwaju
- Data Analysis Apeere
- Data Cleaning ati Igbaradi
- Awọn ọna Iṣiro ati Iṣiro
- Akopọ ati Iṣiro Awọn iṣiro Apejuwe
18. Ṣiṣẹda Ede Adayeba pẹlu Python
Ipilẹ ti awọn eto ẹkọ ẹrọ jẹ sisẹ ede adayeba.
Iwe Ilana Iṣeduro Ede Adayeba pẹlu Python n kọ ọ lori bi o ṣe le lo NLTK, ikojọpọ ti o fẹran daradara ti awọn modulu Python ati awọn irinṣẹ fun sisẹ ede abinibi ati iṣiro fun Gẹẹsi ati NLP ni gbogbogbo.
Ṣiṣeto Ede Adayeba pẹlu iwe Python n pese awọn ipa ọna Python ti o munadoko ti o ṣe afihan NLP ni ṣoki, ọna ti o han gbangba.
Awọn oluka ni iwọle si awọn ipilẹ data ti a ṣe alaye daradara fun ṣiṣe pẹlu data ti ko ṣeto, eto-ọrọ-ọrọ, ati awọn eroja idojukọ NLP miiran.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Bawo ni ede eniyan ṣe n ṣiṣẹ?
- Awọn ẹya data ede
- Ohun elo Ede Adayeba (NLTK)
- Itupalẹ ati atunmọ
- Awọn ibi ipamọ data ede ti o gbajumọ
- Ṣepọ awọn ilana lati oye atọwọda ati linguistics
19. Siseto Imọyeye Ṣiṣẹpọ
Imọye Ajọpọ Iṣeto Eto nipasẹ Toby Segaran, eyiti a gba bi ọkan ninu awọn iwe ti o tobi julọ lati bẹrẹ oye ẹkọ ẹrọ, ni a kọ ni ọdun 2007, awọn ọdun ṣaaju imọ-jinlẹ data ati ẹkọ ẹrọ ti de ipo lọwọlọwọ wọn bi asiwaju awọn ipa ọna alamọdaju.
Iwe naa nlo Python gẹgẹbi ọna fun itankale imọran rẹ si awọn olugbo rẹ. Imọye Akopọ Siseto jẹ diẹ sii ti afọwọṣe fun imuse milimita ju ti o jẹ ifihan si kikọ ẹrọ.
Iwe naa pese alaye lori idagbasoke awọn algoridimu ML ti o munadoko fun ikojọpọ data lati awọn ohun elo, siseto fun gbigba data lati awọn oju opo wẹẹbu, ati ṣiṣafikun awọn data ti a gba.
Ori kọọkan pẹlu awọn iṣẹ ṣiṣe fun faagun awọn algoridimu ti a jiroro ati imudara iwulo wọn.
Awọn koko-ọrọ ti o wa ninu iwe naa
- Bayesian sisẹ
- Ṣe atilẹyin awọn ẹrọ fekito
- Awọn algoridimu ẹrọ wiwa
- Awọn ọna lati ṣe awọn asọtẹlẹ
- Awọn ilana sisẹ ifowosowopo
- Ti kii-odi matrix ifosiwewe
- Ilọsiwaju itetisi fun ipinnu iṣoro
- Awọn ọna fun wiwa awọn ẹgbẹ tabi awọn ilana
20. Ẹ̀kọ́ Ìjìnlẹ̀ (Ṣíṣirò Àṣàmúlò àti Ẹ̀kọ́ Ẹ̀rọ)
Gẹgẹbi gbogbo wa ṣe mọ, ẹkọ ti o jinlẹ jẹ ilọsiwaju iru ẹkọ ẹrọ ti o fun laaye awọn kọnputa lati kọ ẹkọ lati iṣẹ ṣiṣe ti o kọja ati iye data nla.
Lakoko lilo awọn ilana ikẹkọ ẹrọ, o nilo tun jẹ ibaraẹnisọrọ pẹlu awọn ipilẹ ẹkọ ti o jinlẹ. Ìwé yìí, tí a kà sí Bíbélì ti ẹ̀kọ́ jíjinlẹ̀, yóò ṣèrànwọ́ gan-an nínú ipò yìí.
Awọn amoye ẹkọ jinlẹ mẹta bo awọn koko-ọrọ idiju pupọ ti o kun fun mathematiki ati awọn awoṣe ipilẹṣẹ jinle ninu iwe yii.
Pese ipilẹ mathematiki ati imọran, iṣẹ naa jiroro lori awọn imọran to wulo ni algebra laini, ilana iṣeeṣe, ilana alaye, iṣiro nọmba, ati ẹkọ ẹrọ.
O ṣe ayẹwo awọn ohun elo bii sisẹ ede ti ara, idanimọ ọrọ, iran kọnputa, awọn eto iṣeduro ori ayelujara, bioinformatics, ati awọn ere fidio ati ṣapejuwe awọn ilana ikẹkọ jinlẹ ti awọn oṣiṣẹ ile-iṣẹ lo, gẹgẹbi awọn nẹtiwọọki ifunni jinlẹ, isọdọtun, ati awọn algoridimu ti o dara ju, awọn nẹtiwọọki iyipada, ati awọn ilana ti o wulo. .
Awọn koko-ọrọ ti o wa ninu iwe naa
- Iṣiro nọmba
- Iwadi Ẹkọ Jin
- Computer Vision imuposi
- Awọn Nẹtiwọọki Idari Atoju jinlẹ
- Iṣapeye fun Ikẹkọ Awọn awoṣe Jin
- Ilana Wulo
- Iwadi Ẹkọ Jin
ipari
Awọn iwe ikẹkọ ẹrọ oke 20 ni akopọ ninu atokọ yẹn, eyiti o le lo lati ṣe ilọsiwaju ikẹkọ ẹrọ ni itọsọna ti o fẹ.
Iwọ yoo ni anfani lati ṣe agbekalẹ ipilẹ to lagbara ni imọ-ẹrọ ikẹkọ ẹrọ ati ile-ikawe itọkasi ti o le lo nigbagbogbo lakoko ti o n ṣiṣẹ ni agbegbe ti o ba ka ọpọlọpọ awọn iwe-ẹkọ wọnyi.
Iwọ yoo ni atilẹyin lati tẹsiwaju ẹkọ, ni ilọsiwaju, ati nini ipa paapaa ti o ba kan ka iwe kan.
Nigbati o ba ṣetan ati pe o ni agbara lati ṣe agbekalẹ awọn algoridimu ikẹkọ ẹrọ tirẹ, ni lokan pe data jẹ pataki pataki si aṣeyọri ti iṣẹ akanṣe rẹ.
Fi a Reply