ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to Machine Learning with R. Rigorous Mathematical Analysis

دانلود کتاب مقدمه ای بر یادگیری ماشینی با R. تجزیه و تحلیل دقیق ریاضی

Introduction to Machine Learning with R. Rigorous Mathematical Analysis

مشخصات کتاب

Introduction to Machine Learning with R. Rigorous Mathematical Analysis

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781491976449 
ناشر: O’Reilly 
سال نشر: 2018 
تعداد صفحات: 216 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 59,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Introduction to Machine Learning with R. Rigorous Mathematical Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مقدمه ای بر یادگیری ماشینی با R. تجزیه و تحلیل دقیق ریاضی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی درمورد کتاب به خارجی



فهرست مطالب

Contents......Page 3
Preface......Page 7
What is Model......Page 9
Algorithms Versus Models: What’s the Difference......Page 14
A Note on Terminology......Page 15
Modeling Limitations......Page 16
Statistics and Computation in Modeling......Page 18
Data Training......Page 19
Cross-Validation......Page 20
The Good......Page 21
The Bad......Page 24
Summary......Page 25
Supervised & Unsupervised ML......Page 27
Regression......Page 28
Training and Testing of Data......Page 30
Classificatio......Page 32
Mixed Methods......Page 39
Unsupervised Learning......Page 48
Unsupervised Clustering Methods......Page 49
Summary......Page 51
Sampling Statistics & Model Training......Page 53
Bias......Page 54
Sampling in R......Page 59
Training and Testing......Page 62
Cross-Validation......Page 75
Summary......Page 77
Regression in Nutshell......Page 79
Linear Regression......Page 80
Polynomial Regression......Page 89
Goodness of Fit with Data—The Perils of Overfittin......Page 95
Logistic Regression......Page 99
Summary......Page 114
Single-Layer Neural Networks......Page 116
Building a Simple Neural Network by Using R......Page 118
Multilayer Neural Networks......Page 127
Neural Networks for Regression......Page 132
Neural Networks for Classificatio......Page 137
Neural Networks with caret......Page 138
Summary......Page 140
A Simple Tree Model......Page 141
Deciding How to Split Trees......Page 144
Pros and Cons of Decision Trees......Page 146
Conditional Inference Trees......Page 158
Random Forests......Page 161
Summary......Page 164
Naive Bayes Classificatio......Page 165
Principal Component Analysis......Page 169
Support Vector Machines......Page 179
k-Nearest Neighbors......Page 185
Summary......Page 190
Machine Learning with caret Package......Page 191
The Titanic Dataset......Page 192
caret Unleashed......Page 194
Summary......Page 205
Encyclopedia of ML Models in caret......Page 206
Index......Page 213




نظرات کاربران