جلد سخت سیاه و سفید
Product details
- Publisher : Cambridge University Press; New edition (February 3, 2022)
- Language : English
- Hardcover : 350 pages
- ISBN-10 : 1316518906
- ISBN-13 : 978-1316518908
کتاب Personalized Machine Learning
Every day we interact with machine learning systems offering individualized predictions for our entertainment, social connections, purchases, or health. These involve several modalities of data, from sequences of clicks to text, images, and social interactions. This book introduces common principles and methods that underpin the design of personalized predictive models for a variety of settings and modalities. The book begins by revising 'traditional' machine learning models, focusing on adapting them to settings involving user data, then presents techniques based on advanced principles such as matrix factorization, deep learning, and generative modeling, and concludes with a detailed study of the consequences and risks of deploying personalized predictive systems. A series of case studies in domains ranging from e-commerce to health plus hands-on projects and code examples will give readers understanding and experience with large-scale real-world datasets and the ability to design models and systems for a wide range of applications.
منابع کتاب کتاب Personalized Machine Learning
هر روز با سیستم‌های یادگیری ماشینی تعامل داریم که پیش‌بینی‌های فردی برای سرگرمی، ارتباطات اجتماعی، خرید یا سلامتی ما ارائه می‌دهند. اینها شامل چندین روش داده، از توالی کلیک ها گرفته تا متن، تصاویر، و تعاملات اجتماعی است. این کتاب اصول و روش‌های رایجی را معرفی می‌کند که زیربنای طراحی مدل‌های پیش‌بینی شخصی‌شده برای تنظیمات و روش‌های مختلف است. این کتاب با بازنگری در مدل‌های یادگیری ماشین «سنتی» شروع می‌شود و بر تطبیق آن‌ها با تنظیمات مربوط به داده‌های کاربر تمرکز می‌کند، سپس تکنیک‌هایی را بر اساس اصول پیشرفته‌ای مانند فاکتورسازی ماتریس، یادگیری عمیق و مدل‌سازی تولیدی ارائه می‌کند و با مطالعه دقیق پیامدها به پایان می‌رسد. و خطرات استقرار سیستم های پیش بینی شخصی شده.
ارسال نظر درباره کتاب Personalized Machine Learning