دانلود کتاب Mastering Machine Learning with scikit-learn: Apply effective learning algorithms to real-world problems using scikit-learn (به فارسی: تسلط بر یادگیری ماشینی با یادگیری اسکیتی: الگوریتمهای یادگیری موثر را با استفاده از یادگیری اسکیتی در مسائل دنیای واقعی اعمال کنید.) نوشته شده توسط «Gavin Hackeling»
اطلاعات کتاب تسلط بر یادگیری ماشینی با یادگیری اسکیتی: الگوریتمهای یادگیری موثر را با استفاده از یادگیری اسکیتی در مسائل دنیای واقعی اعمال کنید.
موضوع اصلی: کامپیوتر – پایگاه داده
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Gavin Hackeling
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2017
تعداد صفحه: 254 / 249
حجم فایل: 6.30 مگابایت
کد کتاب: 1788299876 , 9781788299879
نوبت چاپ: 2
توضیحات کتاب تسلط بر یادگیری ماشینی با یادگیری اسکیتی: الگوریتمهای یادگیری موثر را با استفاده از یادگیری اسکیتی در مسائل دنیای واقعی اعمال کنید.
ویژگی های کلیدی
• به مدلهای معروف یادگیری ماشینی از جمله k-نزدیکترین همسایه، جنگلهای تصادفی، رگرسیون لجستیک، k-means، بیز ساده و شبکههای عصبی مصنوعی مسلط شوید
• یاد بگیرید که چگونه عملکرد مدل های کارآمد را با استفاده از scikit-learn بسازید و ارزیابی کنید
• راهنمای عملی برای تسلط بر اصول اولیه و یادگیری از کاربردهای واقعی یادگیری ماشینی
توضیحات کتاب
یادگیری ماشینی واژهای است که علم کامپیوتر و آمار را برای ساخت مدلهای هوشمند و کارآمد کنار هم میآورد. با استفاده از الگوریتم ها و تکنیک های قدرتمند ارائه شده توسط یادگیری ماشین می توانید هر مدل تحلیلی را خودکار کنید.
این کتاب انواع مدلهای یادگیری ماشین از جمله الگوریتمهای یادگیری ماشینی محبوب مانند k-نزدیکترین همسایه، رگرسیون لجستیک، بیز ساده، k-means، درختهای تصمیمگیری و شبکههای عصبی مصنوعی را بررسی میکند. این پیش پردازش داده ها، بهینه سازی هایپرپارامتر و روش های مجموعه را مورد بحث قرار می دهد. شما سیستم هایی خواهید ساخت که اسناد را طبقه بندی می کند، تصاویر را تشخیص می دهد، تبلیغات را شناسایی می کند و موارد دیگر. شما یاد خواهید گرفت که از API scikit-learn برای استخراج ویژگی ها از متغیرهای طبقه بندی شده، متن و تصاویر استفاده کنید. عملکرد مدل را ارزیابی کنید و شهودی برای بهبود عملکرد مدل خود ایجاد کنید.
تا پایان این کتاب، شما به تمام مفاهیم مورد نیاز Sicit-Learn برای ساخت مدلهای کارآمد در محل کار برای انجام کارهای پیشرفته با رویکرد عملی تسلط خواهید داشت.
آنچه خواهید آموخت
• مفاهیم اساسی مانند سوگیری و واریانس را مرور کنید
• ویژگی ها را از متغیرهای طبقه بندی شده، متن و تصاویر استخراج کنید
• پیش بینی مقادیر متغیرهای پیوسته با استفاده از رگرسیون خطی و K نزدیکترین همسایگان
• طبقه بندی اسناد و تصاویر با استفاده از رگرسیون لجستیک و ماشین های بردار پشتیبان
• مجموعه هایی از برآوردگرها را با استفاده از تکنیک های بسته بندی و تقویت ایجاد کنید
• کشف ساختارهای پنهان در داده ها با استفاده از خوشه بندی K-Means
• ارزیابی عملکرد سیستم های یادگیری ماشین در کارهای رایج
• Master popular machine learning models including k-nearest neighbors, random forests, logistic regression, k-means, naive Bayes, and artificial neural networks
• Learn how to build and evaluate performance of efficient models using scikit-learn
• Practical guide to master your basics and learn from real life applications of machine learning
Book Description
Machine learning is the buzzword bringing computer science and statistics together to build smart and efficient models. Using powerful algorithms and techniques offered by machine learning you can automate any analytical model.
This book examines a variety of machine learning models including popular machine learning algorithms such as k-nearest neighbors, logistic regression, naive Bayes, k-means, decision trees, and artificial neural networks. It discusses data preprocessing, hyperparameter optimization, and ensemble methods. You will build systems that classify documents, recognize images, detect ads, and more. You will learn to use scikit-learn’s API to extract features from categorical variables, text and images; evaluate model performance, and develop an intuition for how to improve your model’s performance.
By the end of this book, you will master all required concepts of scikit-learn to build efficient models at work to carry out advanced tasks with the practical approach.
What you will learn
• Review fundamental concepts such as bias and variance
• Extract features from categorical variables, text, and images
• Predict the values of continuous variables using linear regression and K Nearest Neighbors
• Classify documents and images using logistic regression and support vector machines
• Create ensembles of estimators using bagging and boosting techniques
• Discover hidden structures in data using K-Means clustering
• Evaluate the performance of machine learning systems in common tasks
📖 خرید این کتاب
برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمههای زیر کلیک کنید تا پیام آماده برای شما ارسال شود:
پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.