Sale
یادگیری ماشینی عملی با scikit-learn و جعبه ابزارهای علمی پایتون: راهنمای عملی برای پیاده سازی الگوریتم های یادگیری ماشین نظارت شده و بدون نظارت در پایتون ۲۰۲۰
Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python 2020
دانلود کتاب یادگیری ماشینی عملی با scikit-learn و جعبه ابزارهای علمی پایتون: راهنمای عملی برای پیاده سازی الگوریتم های یادگیری ماشین نظارت شده و بدون نظارت در پایتون ۲۰۲۰ (Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python 2020) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Tarek Amr |
|---|
ناشر:
Packt Publishing
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2020 |
|---|---|
| زبان |
English |
| تعداد صفحهها |
384 |
| نوع فایل |
epub, pdf |
| حجم |
12 Mb, 13 Mb |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب یادگیری ماشینی عملی با scikit-learn و جعبه ابزارهای علمی پایتون: راهنمای عملی برای پیاده سازی الگوریتم های یادگیری ماشین نظارت شده و بدون نظارت در پایتون ۲۰۲۰
scikit-learn را با ابزارهای مختلفی مانند NumPy، pandas، imbalanced-learn و scikit-surprise ادغام کنید و از آن برای حل مشکلات یادگیری ماشین در دنیای واقعی استفاده کنید.
ویژگی های کلیدی
- با این راهنمای جامع در مورد scikit-learn و پایتون علمی، به دنیای یادگیری ماشین قدم بگذارید.
- با مثال های عملی، هنر حل مسئله مبتنی بر داده را یاد بگیرید.
- دانش نظری و عملی خود را در مورد الگوریتم های یادگیری ماشین نظارت شده و بدون نظارت تقویت کنید.
توضیحات کتاب
یادگیری ماشین در همه جا از تجارت گرفته تا تحقیق و دانشگاه کاربرد دارد، در حالی که scikit-learn کتابخانه ای همه کاره است که در بین متخصصان یادگیری ماشین محبوب است. این کتاب به عنوان یک راهنمای عملی برای هر کسی که به دنبال ارائه راه حل های عملی یادگیری ماشین با scikit-learn و ابزارهای پایتون است، عمل می کند.
این کتاب با توضیح مفاهیم و اصول یادگیری ماشین آغاز می شود و تعادلی بین مفاهیم نظری و کاربردهای آنها ایجاد می کند. هر فصل مجموعه متفاوتی از الگوریتم ها را پوشش می دهد و به شما نشان می دهد که چگونه از آنها برای حل مشکلات واقعی زندگی استفاده کنید. همچنین در مورد الگوریتم های مختلف یادگیری ماشین نظارت شده و بدون نظارت با استفاده از مثال های عملی یاد خواهید گرفت. چه یک الگوریتم یادگیری مبتنی بر نمونه، تخمین بیزی، شبکه عصبی عمیق، مجموعه درختی، یا سیستم توصیه باشد، درک کاملی از نظریه آن به دست خواهید آورد و یاد خواهید گرفت که چه زمانی باید آن را اعمال کنید. با پیشرفت، یاد خواهید گرفت که چگونه با داده های بدون برچسب برخورد کنید و چه زمانی از الگوریتم های مختلف خوشه بندی و تشخیص ناهنجاری استفاده کنید.
در پایان این کتاب یادگیری ماشین، یاد خواهید گرفت که چگونه رویکردی مبتنی بر داده برای ارائه راه حل های کامل یادگیری ماشین اتخاذ کنید. همچنین خواهید فهمید که چگونه مسئله مورد نظر را تدوین کنید، داده های مورد نیاز را آماده کنید و مدل ها را در تولید ارزیابی و مستقر کنید.
آنچه خواهید آموخت
- درک کنید که چه زمانی باید از الگوریتم های یادگیری ماشین نظارت شده، بدون نظارت یا تقویتی استفاده کنید.
- دریابید که چگونه داده های خود را برای وظایف یادگیری ماشین جمع آوری و آماده کنید.
- با داده های نامتعادل برخورد کنید و الگوریتم خود را برای یک تعادل تعصب یا واریانس بهینه سازی کنید.
- الگوریتم های نظارت شده و بدون نظارت را برای غلبه بر چالش های مختلف یادگیری ماشین اعمال کنید.
- بهترین روش ها برای تنظیم پارامترهای فوق الگوریتم خود را به کار بگیرید.
- کشف کنید که چگونه از شبکه های عصبی برای طبقه بندی و رگرسیون استفاده کنید.
- راه حل های یادگیری ماشین خود را بسازید، ارزیابی کنید و در تولید مستقر کنید.
این کتاب برای چه کسانی مناسب است
این کتاب برای دانشمندان داده، متخصصان یادگیری ماشین و هر کسی که می خواهد نحوه کار الگوریتم های یادگیری ماشین را بیاموزد و مدل های مختلف یادگیری ماشین را با استفاده از اکوسیستم پایتون بسازد، مناسب است. این کتاب به شما کمک می کند تا دانش خود را در مورد یادگیری ماشین به سطح بعدی ببرید، زیرا می توانید پیچیدگی های آن را درک کنید و آن را با نیازهای خود هماهنگ کنید. دانش عملی پایتون و درک اولیه از مفاهیم ریاضی و آماری در این زمینه لازم است.
فهرست کتاب:
۱. صفحه عنوان
۲. حق تکثیر و اعتبارنامه
۳. درباره پکت
۴. مشارکتکنندگان
۵. پیشگفتار
۶. بخش ۱: یادگیری نظارتشده
۷. مقدمهای بر یادگیری ماشین
۸. تصمیمگیری با درختها
۹. تصمیمگیری با معادلات خطی
۱۰. آمادهسازی دادههای شما
۱۱. پردازش تصویر با نزدیکترین همسایهها
۱۲. دستهبندی متن با استفاده از نایو بیز
۱۳. بخش ۲: یادگیری نظارتشده پیشرفته
۱۴. شبکههای عصبی – فرایادگیری از راه میرسد
۱۵. مجموعهها – وقتی یک مدل کافی نیست
۱۶. Y به اندازه X مهم است
۱۷. یادگیری نامتعادل – حتی ۱٪ هم در بختآزمایی برنده نمیشوند
۱۸. بخش ۳: یادگیری بدون نظارت و موارد دیگر
۱۹. خوشهبندی – درک دادههای بدون برچسب
۲۰. تشخیص ناهنجاری – یافتن دادههای پرت
۲۱. سیستم پیشنهادگر – شناختن سلیقه آنها
۲۲. کتابهای دیگری که ممکن است از آنها لذت ببرید
توضیحات(انگلیسی)
Integrate scikit-learn with various tools such as NumPy, pandas, imbalanced-learn, and scikit-surprise and use it to solve real-world machine learning problems
Key Features
- Delve into machine learning with this comprehensive guide to scikit-learn and scientific Python
- Master the art of data-driven problem-solving with hands-on examples
- Foster your theoretical and practical knowledge of supervised and unsupervised machine learning algorithms
Book Description
Machine learning is applied everywhere, from business to research and academia, while scikit-learn is a versatile library that is popular among machine learning practitioners. This book serves as a practical guide for anyone looking to provide hands-on machine learning solutions with scikit-learn and Python toolkits.
The book begins with an explanation of machine learning concepts and fundamentals, and strikes a balance between theoretical concepts and their applications. Each chapter covers a different set of algorithms, and shows you how to use them to solve real-life problems. You'll also learn about various key supervised and unsupervised machine learning algorithms using practical examples. Whether it is an instance-based learning algorithm, Bayesian estimation, a deep neural network, a tree-based ensemble, or a recommendation system, you'll gain a thorough understanding of its theory and learn when to apply it. As you advance, you'll learn how to deal with unlabeled data and when to use different clustering and anomaly detection algorithms.
By the end of this machine learning book, you'll have learned how to take a data-driven approach to provide end-to-end machine learning solutions. You'll also have discovered how to formulate the problem at hand, prepare required data, and evaluate and deploy models in production.
What you will learn
- Understand when to use supervised, unsupervised, or reinforcement learning algorithms
- Find out how to collect and prepare your data for machine learning tasks
- Tackle imbalanced data and optimize your algorithm for a bias or variance tradeoff
- Apply supervised and unsupervised algorithms to overcome various machine learning challenges
- Employ best practices for tuning your algorithm's hyper parameters
- Discover how to use neural networks for classification and regression
- Build, evaluate, and deploy your machine learning solutions to production
Who this book is for
This book is for data scientists, machine learning practitioners, and anyone who wants to learn how machine learning algorithms work and to build different machine learning models using the Python ecosystem. The book will help you take your knowledge of machine learning to the next level by grasping its ins and outs and tailoring it to your needs. Working knowledge of Python and a basic understanding of underlying mathematical and statistical concepts is required.
Table of Contents
1. Title Page
2. Copyright and Credits
3. About Packt
4. Contributors
5. Preface
6. Section 1: Supervised Learning
7. Introduction to Machine Learning
8. Making Decisions with Trees
9. Making Decisions with Linear Equations
10. Preparing Your Data
11. Image Processing with Nearest Neighbors
12. Classifying Text Using Naive Bayes
13. Section 2: Advanced Supervised Learning
14. Neural Networks – Here Comes Deep Learning
15. Ensembles – When One Model Is Not Enough
16. The Y is as Important as the X
17. Imbalanced Learning – Not Even 1% Win the Lottery
18. Section 3: Unsupervised Learning and More
19. Clustering – Making Sense of Unlabeled Data
20. Anomaly Detection – Finding Outliers in Data
21. Recommender System – Getting to Know Their Taste
22. Other Books You May Enjoy
دیگران دریافت کردهاند
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
