دانلود کتاب Applied Machine Learning Solutions with Python: Production-ready ML Projects Using Cutting-edge Libraries and Powerful Statistical Techniques (به فارسی: راه حل های کاربردی یادگیری ماشین با پایتون: پروژه های ML آماده تولید با استفاده از کتابخانه های پیشرفته و تکنیک های آماری قدرتمند) نوشته شده توسط «Siddhanta Bhatta»
اطلاعات کتاب راه حل های کاربردی یادگیری ماشین با پایتون: پروژه های ML آماده تولید با استفاده از کتابخانه های پیشرفته و تکنیک های آماری قدرتمند
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: BPB Publications
نویسنده: Siddhanta Bhatta
زبان: english
فرمت کتاب: EPUB (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 356
حجم فایل: 6.41 مگابایت
کد کتاب: 9391030432 , 9789391030438
توضیحات کتاب راه حل های کاربردی یادگیری ماشین با پایتون: پروژه های ML آماده تولید با استفاده از کتابخانه های پیشرفته و تکنیک های آماری قدرتمند
راهنمای مشکل محور برای مقابله با مسائل یادگیری ماشین صنعتی با روش ها و چارچوب های انتخاب شده توسط متخصصان.
ویژگی‌های کلیدی
● تکنیک‌های رایج برای فرمول‌بندی مسئله، جمع‌آوری داده‌ها و پاکسازی داده‌ها در یادگیری ماشین.
● ابزارهای یادگیری ماشینی جامع و مفید مانند MLFlow، Streamlit، و بسیاری دیگر.
● کتابخانه‌های یادگیری ماشین متعددی از جمله Tensorflow، FastAI، Scikit-Learn، Pandas، و Numpy را پوشش می‌دهد. .
توضیح
این کتاب نحوه به کارگیری یادگیری ماشینی را در واقعیت مورد بحث قرار می‌دهد. مشکلات جهان با استفاده از داده های دنیای واقعی. در این کتاب، منابع داده را بررسی می‌کنید، با خطوط لوله داده آشنا می‌شوید و نحوه عملکرد یادگیری ماشین را از طریق مثال‌ها و مطالعات موردی متعدد تمرین می‌کنید.
کتاب با مفاهیم سطح بالا آغاز می‌شود. و پیاده سازی (با کد!) و پیشرفت به سمت دنیای واقعی سیستم های ML. به طور خلاصه مفاهیم مختلف آمار و جبر خطی را مورد بحث قرار می دهد. شما یاد خواهید گرفت که چگونه یک مسئله را فرموله کنید، داده ها را جمع آوری کنید، یک مدل بسازید و آن را تنظیم کنید. شما در مورد موارد استفاده برای تجزیه و تحلیل داده ها، بینایی کامپیوتری و پردازش زبان طبیعی خواهید آموخت. شما همچنین معماری غیرخطی را بررسی خواهید کرد، بنابراین شما را قادر می سازد مدل هایی با ورودی و خروجی های متعدد بسازید. شما در زمینه ایجاد نمایه یادگیری ماشین، کتابخانه های مختلف یادگیری ماشین، آمار و FAST API آموزش خواهید دید.
در طول کتاب، از Python برای آزمایش با کتابخانه های یادگیری ماشین استفاده خواهید کرد. به عنوان Tensorflow، Scikit-Learn، Spacy و FastAI. این کتاب به آموزش مدل‌های ما در مورد Kaggle و مجموعه داده‌های ما کمک می‌کند.
آنچه خواهید آموخت
/p>
● ایجاد یک مشکل یادگیری ماشین، ارزیابی امکان‌سنجی، جمع‌آوری و پاک کردن داده‌ها.
● ابتدا یاد بگیرید که داده‌ها را کاوش کنید، مدل‌های یادگیری ماشین را انتخاب کنید و آموزش دهید.<br
● مدل انتخابی را به‌خوبی تنظیم کنید، آن را به کار بگیرید و در تولید نظارت کنید.
● مدل‌های محبوب برای تجزیه و تحلیل داده‌ها، بینایی رایانه، و پردازش زبان طبیعی را کشف کنید.
این کتاب برای چه کسانی است
این کتاب به مبتدیان در ماشین پاسخ می دهد یادگیری، مهندسان نرم افزار و دانشجویانی که می خواهند به درک خوبی از مفاهیم یادگیری ماشین دست یابند و سیستم های ML آماده تولید ایجاد کنند. این کتاب فرض می‌کند که درک سطح مبتدی از Python دارید.
فهرست محتوا
</p
1. مقدمه ای بر یادگیری ماشین
2. فرمول‌بندی مسئله در یادگیری ماشینی
3. جمع‌آوری و پاکسازی داده‌ها
4. تجزیه و تحلیل داده های اکتشافی
5. مدل سازی و تنظیم
6. استفاده از مدل ما در تولید
7. مورد استفاده تجزیه و تحلیل داده
8. ساختن یک طبقه‌بندی کننده تصویر سفارشی از ابتدا
9. ساخت یک برنامه خلاصه سازی اخبار با استفاده از ترانسفورماتورها
10. ورودی های چندگانه و مدل های چند خروجی
11. مشارکت در انجمن
12. ایجاد پروژه شما
13. Crash Course در Numpy، Matplotlib و Pandas
14. دوره تصادف در جبر خطی و آمار
15. دوره Crash در FastAPI
درباره نویسندگان
Siddhanta Bhatta یک مهندس یادگیری ماشین با 6 سال تجربه در ساخت محصولات یادگیری ماشین است. او در حال حاضر به عنوان مهندس ارشد نرم افزار در تجزیه و تحلیل داده ها، یادگیری ماشین و یادگیری عمیق مشغول به کار است. او چندین اپلیکیشن داده در حوزه های مختلف مانند vision، NLP، Data Analytics و بسیاری موارد دیگر ساخته است. او یک دانشمند داده دارای گواهی مایکروسافت است که به سواد داده اعتقاد دارد.
LinkedIn Profile: https://www.linkedin.com/in/siddhanta-bhatta-377880a7/
وبلاگ لینک: https://joyofunderstanding926957091.wordpress.com/
A problem-focused guide for tackling industrial machine learning issues with methods and frameworks chosen by experts.
Key Features
● Popular techniques for problem formulation, data collection, and data cleaning in machine learning.
● Comprehensive and useful machine learning tools such as MLFlow, Streamlit, and many more.
● Covers numerous machine learning libraries, including Tensorflow, FastAI, Scikit-Learn, Pandas, and Numpy.
Description
This book discusses how to apply machine learning to real-world problems by utilizing real-world data. In this book, you will investigate data sources, become acquainted with data pipelines, and practice how machine learning works through numerous examples and case studies.
The book begins with high-level concepts and implementation (with code!) and progresses towards the real-world of ML systems. It briefly discusses various concepts of Statistics and Linear Algebra. You will learn how to formulate a problem, collect data, build a model, and tune it. You will learn about use cases for data analytics, computer vision, and natural language processing. You will also explore nonlinear architecture, thus enabling you to build models with multiple inputs and outputs. You will get trained on creating a machine learning profile, various machine learning libraries, Statistics, and FAST API.
Throughout the book, you will use Python to experiment with machine learning libraries such as Tensorflow, Scikit-learn, Spacy, and FastAI. The book will help train our models on both Kaggle and our datasets.
What you will learn
● Construct a machine learning problem, evaluate the feasibility, and gather and clean data.
● Learn to explore data first, select, and train machine learning models.
● Fine-tune the chosen model, deploy, and monitor it in production.
● Discover popular models for data analytics, computer vision, and Natural Language Processing.
Who this book is for
This book caters to beginners in machine learning, software engineers, and students who want to gain a good understanding of machine learning concepts and create production-ready ML systems. This book assumes you have a beginner-level understanding of Python.
Table of Contents
1. Introduction to Machine Learning
2. Problem Formulation in Machine Learning
3. Data Acquisition and Cleaning
4. Exploratory Data Analysis
5. Model Building and Tuning
6. Taking Our Model into Production
7. Data Analytics Use Case
8. Building a Custom Image Classifier from Scratch
9. Building a News Summarization App Using Transformers
10. Multiple Inputs and Multiple Output Models
11. Contributing to the Community
12. Creating Your Project
13. Crash Course in Numpy, Matplotlib, and Pandas
14. Crash Course in Linear Algebra and Statistics
15. Crash Course in FastAPI
About the Authors
Siddhanta Bhatta is a Machine Learning engineer with 6 years of experience in building machine learning products. He is currently working as a Senior Software Engineer in Data Analytics, Machine Learning, and Deep Learning. He has built multiple data apps in various domains such as vision, NLP, Data Analytics, and many more. He is a Microsoft-certified data scientist who believes in data literacy.
LinkedIn Profile: https://www.linkedin.com/in/siddhanta-bhatta-377880a7/
Blog Link: https://joyofunderstanding926957091.wordpress.com/
