Sale
یادگیری ماشین پایتون ۲۰۱۹
Python Machine Learning 2019
دانلود کتاب یادگیری ماشین پایتون ۲۰۱۹ (Python Machine Learning 2019) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Wei-Meng Lee |
|---|
ناشر:
Wiley
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2019 |
|---|---|
| زبان |
English |
| نوع فایل |
|
| حجم |
6 Mb |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب یادگیری ماشین پایتون ۲۰۱۹
پایتون یادگیری ماشین را برای مبتدیان و توسعه دهندگان باتجربه آسان می کند.
با افزایش توان محاسباتی به صورت نمایی و کاهش همزمان هزینه ها، زمان مناسبی برای یادگیری یادگیری ماشین با استفاده از پایتون وجود ندارد. وظایف یادگیری ماشین که قبلاً به قدرت پردازش عظیم نیاز داشتند، اکنون در رایانه های رومیزی امکان پذیر است. با این حال، یادگیری ماشین برای افراد ضعیف نیست – نیاز به پایه قوی در آمار و همچنین دانش برنامه نویسی دارد. یادگیری ماشین پایتون به کدرها در تمام سطوح کمک می کند تا یکی از پرطرفدارترین مهارت های برنامه نویسی که امروزه مورد استفاده قرار می گیرد را تسلط پیدا کنند.
خوانندگان با دنبال کردن مباحث اساسی مانند مقدمه ای بر یادگیری ماشین و علوم داده شروع به کار می کنند. برای هر الگوریتم یادگیری، خوانندگان از یک سناریوی واقعی برای نشان دادن نحوه استفاده از پایتون برای حل مشکل مورد نظر استفاده می کنند.
• علوم داده پایتون – دستکاری داده ها و تجسم داده ها
• پاکسازی داده ها
• درک الگوریتم های یادگیری ماشین
• الگوریتم های یادگیری نظارت شده
• الگوریتم های یادگیری بدون نظارت
• استقرار مدل های یادگیری ماشین
یادگیری ماشین پایتون برای دانشجویان، توسعه دهندگان یا هر کسی که به شدت علاقه مند به ارتقا سطح مهارت های برنامه نویسی خود است، ضروری است.
فهرست کتاب:
۱. جلد
۲. فهرست مطالب
۳. مقدمه
۴. فصل ۱: مقدمهای بر یادگیری ماشین
۵. فصل ۲: توسعه پایتون با استفاده از NumPy
۶. فصل ۳: دستکاری دادههای جدولی با استفاده از Pandas
۷. فصل ۴: مصورسازی دادهها با استفاده از matplotlib
۸. فصل ۵: شروع به کار با Scikit-learn برای یادگیری ماشین
۹. فصل ۶: یادگیری با نظارت – رگرسیون خطی
۱۰. فصل ۷: یادگیری با نظارت – طبقهبندی با استفاده از رگرسیون لجستیک
۱۱. فصل ۸: یادگیری با نظارت – طبقهبندی با استفاده از ماشینهای بردار پشتیبان
۱۲. فصل ۹: یادگیری با نظارت – طبقهبندی با استفاده از K نزدیکترین همسایه (KNN)
۱۳. فصل ۱۰: یادگیری بدون نظارت – خوشهبندی با استفاده از K-Means
۱۴. فصل ۱۱: استفاده از استودیو یادگیری ماشین Azure
۱۵. فصل ۱۲: استقرار مدلهای یادگیری ماشین
۱۶. نمایه
۱۷. توافقنامه مجوز کاربر نهایی
توضیحات(انگلیسی)
Python makes machine learning easy for beginners and experienced developers
With computing power increasing exponentially and costs decreasing at the same time, there is no better time to learn machine learning using Python. Machine learning tasks that once required enormous processing power are now possible on desktop machines. However, machine learning is not for the faint of heart—it requires a good foundation in statistics, as well as programming knowledge. Python Machine Learning will help coders of all levels master one of the most in-demand programming skillsets in use today.
Readers will get started by following fundamental topics such as an introduction to Machine Learning and Data Science. For each learning algorithm, readers will use a real-life scenario to show how Python is used to solve the problem at hand.
• Python data science—manipulating data and data visualization
• Data cleansing
• Understanding Machine learning algorithms
• Supervised learning algorithms
• Unsupervised learning algorithms
• Deploying machine learning models
Python Machine Learning is essential reading for students, developers, or anyone with a keen interest in taking their coding skills to the next level.
Table of Contents
1. Cover
2. Table of Contents
3. Introduction
4. CHAPTER 1: Introduction to Machine Learning
5. CHAPTER 2: Extending Python Using NumPy
6. CHAPTER 3: Manipulating Tabular Data Using Pandas
7. CHAPTER 4: Data Visualization Using matplotlib
8. CHAPTER 5: Getting Started with Scikit‐learn for Machine Learning
9. CHAPTER 6: Supervised Learning—Linear Regression
10. CHAPTER 7: Supervised Learning—Classification Using Logistic Regression
11. CHAPTER 8: Supervised Learning—Classification Using Support Vector Machines
12. CHAPTER 9: Supervised Learning—Classification Using K‐Nearest Neighbors (KNN)
13. CHAPTER 10: Unsupervised Learning—Clustering Using K‐Means
14. CHAPTER 11: Using Azure Machine Learning Studio
15. CHAPTER 12: Deploying Machine Learning Models
16. Index
17. End User License Agreement
دیگران دریافت کردهاند
سایر کتابهای ناشر
✨ 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.
