درباره این محصول

فرقی نمی‌کند ریاضیدان، دانشمند داده باتجربه یا حرفه‌ای بازاریابی باشید، The Shape of Data را به عنوان مقدمه‌ای عالی برای تعامل حیاتی بین هندسه ساختارهای داده و یادگیری ماشین پیدا خواهید کرد. مجموعه گسترده مطالعات موردی این کتاب (برگرفته از پزشکی، آموزش، جامعه‌شناسی، زبان‌شناسی و غیره) و توضیحات ملایم ریاضی در پشت ده‌ها الگوریتم، نگاهی جامع و در عین حال قابل دسترس به نحوه شکل‌دهی هندسه به الگوریتم‌هایی که تحلیل داده‌ها را هدایت می‌کنند، ارائه می‌کند. در طول تور تجزیه و تحلیل داده‌های ریاضی کتاب، با منشأ تجزیه و تحلیل داده‌ها بر روی داده‌های ساختاریافته و سناریوهای داده‌های به ظاهر غیرساختار یافته‌ای مواجه می‌شویم که می‌توانند به داده‌های ساختاریافته تبدیل شوند، که الگوریتم‌های یادگیری ماشین استاندارد را قادر می‌سازد تا بینش‌های تحلیلی پیش‌بینی‌کننده و تجویزی را انجام دهند. همانطور که در دره‌ها و قله‌های داده‌های خود سوار می‌شویم، یاد می‌گیریم ویژگی‌هایی را در طول مسیر جمع‌آوری کنیم که به ورودی‌های کلیدی در سایر لایه‌های داده تبدیل می‌شوند و تفاسیر هندسی از منابع داده‌های غیرساخت‌یافته مختلف از جمله داده‌های شبکه، تصاویر و داده‌های مبتنی بر متن را تشکیل می‌دهند. علاوه بر این، فارلی و گابا در جزئیات مفاهیم اساسی و پیشرفته پشتیبانی شده توسط مثال‌های کاملاً تعریف شده در R و Python که بر

نقد و بررسی محصول

فرقی نمی‌کند ریاضیدان، دانشمند داده باتجربه یا حرفه‌ای بازاریابی باشید، The Shape of Data را به عنوان مقدمه‌ای عالی برای تعامل حیاتی بین هندسه ساختارهای داده و یادگیری ماشین پیدا خواهید کرد. مجموعه گسترده مطالعات موردی این کتاب (برگرفته از پزشکی، آموزش، جامعه‌شناسی، زبان‌شناسی و غیره) و توضیحات ملایم ریاضی در پشت ده‌ها الگوریتم، نگاهی جامع و در عین حال قابل دسترس به نحوه شکل‌دهی هندسه به الگوریتم‌هایی که تحلیل داده‌ها را هدایت می‌کنند، ارائه می‌کند. در طول تور تجزیه و تحلیل داده‌های ریاضی کتاب، با منشأ تجزیه و تحلیل داده‌ها بر روی داده‌های ساختاریافته و سناریوهای داده‌های به ظاهر غیرساختار یافته‌ای مواجه می‌شویم که می‌توانند به داده‌های ساختاریافته تبدیل شوند، که الگوریتم‌های یادگیری ماشین استاندارد را قادر می‌سازد تا بینش‌های تحلیلی پیش‌بینی‌کننده و تجویزی را انجام دهند. همانطور که در دره‌ها و قله‌های داده‌های خود سوار می‌شویم، یاد می‌گیریم ویژگی‌هایی را در طول مسیر جمع‌آوری کنیم که به ورودی‌های کلیدی در سایر لایه‌های داده تبدیل می‌شوند و تفاسیر هندسی از منابع داده‌های غیرساخت‌یافته مختلف از جمله داده‌های شبکه، تصاویر و داده‌های مبتنی بر متن را تشکیل می‌دهند. علاوه بر این، فارلی و گابا در جزئیات مفاهیم اساسی و پیشرفته پشتیبانی شده توسط مثال‌های کاملاً تعریف شده در R و Python که بر

این محتوا برای تست discovery و تکمیل داده نمایش داده می‌شود و تا زمان claim رسمی فروشگاه، به معنی تایید محتوای فروشنده توسط RQmarket نیست.

مشخصات کلیدی

نظرهای خرید تأییدشده در RQmarket

نظرات و امتیاز کاربران منبع

نام نمایشی و provenance منبع حفظ می‌شود، اما این رکوردها به customer ساختگی یا حساب RQmarket متصل نمی‌شوند. این بخش فقط‌خواندنی است.