Machine learning books and papers

#Introduction to Deep Learning — Sandro Skansi (en) 2018 #book #beginner @Machine_lean

Data Science For Dummies — Lillian Pierson (en) 2017 #book #beginner @Machine_learn

#Deep learning for #recommender systems – eBay Tech Berlin @Machine_learn https://ebaytech.berlin/deep-learning-for-recommender-systems-48c786a20e1a

#A Must-Read #NLP Tutorial on Neural Machine Translation — The Technique Powering #Google_Translate @Machine_learn https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/

#Tutorial_0 Interest in Tensorflow has increased steadily since its introduction in November 2015. A lesser-known component of Tensorflow is the #TFRecord file format, Tensorflow’s own binary storage format. ... links: 1)https://medium.com/mostly-ai/tensorflow-records-what-they-are-and-how-to-use-them-c46bc4bbb564 2) http://warmspringwinds.github.io/tensorflow/tf-slim/2016/12/21/tfrecords-guide/ #Video: https://youtu.be/oxrcZ9uUblI @Machine_learn

@CVision اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق آموزشهای مرتبط با تنسرفلو و کراس بینایی ماشین و پردازش تصویر و ... #deep_learning #tensorflow #keras #computer_vision #vision @cvision

#موضوع: سیستم پیشنهاد دهنده مبتنی بر رویکرد های طبقه بندی. Recommender system base on classification methods #تعریف: یک سیستم پیشنهاددهنده، در واقع، مکانیزمی قوی برای انجام عمل فیلترینگ (پالایش) اطلاعاتی است. این سیستم ها به فن محبوبی برای هرس کردن فضاهای بزرگ اطلاعاتی تبدیل شده اند که کاربران را به سوی بهترین اقلامی که نیازشان را مرتفع می نماید، هدایت می کنند. این فن، جزء جدانشدنی پایگاه های تجاری از قبیلAmazon، Yahoo و CDNow شده است. سیستم های پیشنهاددهنده، برای پیشنهاددادن به کاربران نیازمند اطلاعات کافی و صحیح در مورد کاربران و آیتم های مورد نظر آنها نظیر: مقاله، کتاب، فیلم یا موزیک می باشند. منابع و روش های گوناگونی برای جمع آوری چنین اطلاعاتی وجود دارد. یک روش جمع آوری اطلاعات، به صورت صریح است که در آن کاربر آشکارا اعلام می کند که به چه چیزهایی علاقه دارد؛ به عنوان نمونه، با امتیاز دادن (1) به یک مقاله. روش دیگر، روش ضمنی است که کمی دشوارتر است و در آن، سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت های او بیابد؛ مثلاً باید بررسی شود که کاربر چه مقالاتی را دانلود می کند و یا چه مقالاتی را مشاهده می کند. علاوه بر اطلاعات ضمنی و صریح، برخی از سیستم ها نیز هستند که از اطلاعات شخصی کاربران (2) استفاده می کنند؛ به عنوان مثال، سن، جنسیت و ملیت کاربران می تواند منبع خوبی برای شناخت کاربر و ارائه پیشنهاد به وی باشد. گروهی از سیستم های پیشنهاددهنده، مبتنی بر همین اطلاعات بنا شده اند. با ظهور وب و گسترش شبکه های اجتماعی در سال های اخیر، محققان به منبع اطلاعاتی دیگری برای بهبود کیفیت پیشنهادها پی بردند که همان اطلاعات موجود در شبکه های اجتماعی است و بر همین اساس، کارهای تحقیقاتی بسیاری در این حوزه صورت پذیرفت. #ماهیت مسأله: در یک سیستم پیشنهاد دهنده هدف اصلی امتیاز دادن به آیتم هایی است که بیشترین شباهت را نسبت به یک کاربر دارند. در واقع ماهیت مسأله به صورت regression می باشد که در آن سیستم سعی دارد رتبه هر یک از آیتم ها را مشخص کند و آیتم ها با بیشترین رتبه را به کاربر پیشنهاد دهد. #نوآوری: با بررسی مطالعات آماری بر روی این سیستم ها به این نتیجه رسیدیم که توزیع داده ها به گونه ای است که بیشترین رتبه ها مربوط به امتیاز های ۴ به بالا می باشند در این صورت می توان از یک طبقه بند دودویی برای این منظور استفاده کرد و کافیست تا تنها آیتم هایی که رتبه یک گرفته اند را به کاربران پیشنهاد دهیم. ______________________________ #موضوع_پایان نامه @Raminmousa

Python for Probability, Statistics, and Machine Learning — J. Unpingco (en) 2016 #book #middle #theory @Machine_learn