سایبرنتیک: هوش مصنوعی

یادگیری ماشینی دستی با ابزارهای یادگیری و علمی پایتون: راهنمای عملی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت در پایتون

Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python

دانلود کتاب Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python (به فارسی: یادگیری ماشینی دستی با ابزارهای یادگیری و علمی پایتون: راهنمای عملی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت در پایتون) نوشته شده توسط «Tarek Amr»

اطلاعات کتاب یادگیری ماشینی دستی با ابزارهای یادگیری و علمی پایتون: راهنمای عملی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت در پایتون

موضوع اصلی: کامپیوتر – هوش مصنوعی (AI)

نوع: کتاب الکترونیکی

ناشر: Packt Publishing

نویسنده: Tarek Amr

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2020

تعداد صفحه: 384 / 368

حجم فایل: 12.37 مگابایت

کد کتاب: 1838823581 , 9781838823580

توضیحات کتاب یادگیری ماشینی دستی با ابزارهای یادگیری و علمی پایتون: راهنمای عملی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت در پایتون

ادغام scikit-learn با ابزارهای مختلف مانند NumPy، پانداها، یادگیری نامتعادل، و scikit-surprise و استفاده از آن برای حل مشکلات یادگیری ماشین در دنیای واقعی ویژگی‌های کلیدی با این راهنمای جامع برای یادگیری تخصصی و علمی Python Master در یادگیری ماشینی کاوش کنید. هنر حل مسئله مبتنی بر داده با مثال‌های عملی دانش نظری و عملی خود را در مورد الگوریتم‌های یادگیری ماشینی تحت نظارت و بدون نظارت تقویت کنید. که در بین متخصصان یادگیری ماشینی محبوب است. این کتاب به عنوان یک راهنمای عملی برای هر کسی که به دنبال ارائه راه‌حل‌های یادگیری ماشینی عملی با جعبه‌ابزارهای Sicit-Learn و Python است، عمل می‌کند. کتاب با توضیح مفاهیم و مبانی یادگیری ماشین شروع می شود و بین مفاهیم نظری و کاربردهای آنها تعادل برقرار 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 مسائل زندگی واقعی استفاده کنید. همچنین با استفاده از مثال‌های عملی، با الگوریتم‌های کلیدی مختلف یادگیری ماشینی تحت نظارت و بدون نظارت آشنا خواهید شد. خواه یک الگوریتم یادگیری مبتنی بر نمونه، تخمین بیزی، یک شبکه عصبی عمیق، یک مجموعه مبتنی بر درخت یا یک سیستم توصیه باشد، شما درک کاملی از نظریه آن به دست خواهید آورد و یاد خواهید گرفت که چه زمانی آن را اعمال کنید. همانطور که پیش می روید، نحوه برخورد با داده های بدون برچسب و زمان استفاده از الگوریتم های مختلف خوشه بندی و تشخیص ناهنجاری را یاد خواهید گرفت. در پایان این کتاب یادگیری ماشینی، یاد خواهید گرفت که چگونه یک رویکرد مبتنی بر داده را برای ارائه راه حل های یادگیری ماشینی سرتاسری در پیش بگیرید. شما همچنین خواهید فهمید که چگونه می توانید مشکل موجود را فرموله کنید، داده های مورد نیاز را تهیه کنید و مدل ها را در تولید ارزیابی و به کار ببرید. آنچه یاد خواهید گرفت درک زمان استفاده از الگوریتم‌های یادگیری تحت نظارت، بدون نظارت یا تقویتی نحوه جمع‌آوری و آماده‌سازی داده‌های خود را برای وظایف یادگیری ماشینی بیاموزید. چالش‌های یادگیری ماشین بهترین شیوه‌ها را برای تنظیم پارامترهای فرامرزی الگوریتم خود بکار بگیرید نحوه استفاده از شبکه‌های عصبی برای طبقه‌بندی و رگرسیون را کشف کنید، راه‌حل‌های یادگیری ماشین خود را بسازید، ارزیابی کنید و به کار بگیرید این کتاب برای چه کسانی است این کتاب برای دانشمندان داده، متخصصان یادگیری ماشین است. و هر کسی که می خواهد یاد بگیرد که الگوریتم های یادگیری ماشین چگونه کار می کند و مدل های مختلف یادگیری ماشین را با استفاده از اکوسیستم پایتون بسازد. این کتاب به شما کمک می کند تا دانش خود را از یادگیری ماشینی با درک نکات و نکات آن و متناسب کردن آن با نیازهای خود به سطح بعدی ارتقا دهید. دانش کاری پایتون و درک اولیه مفاهیم ریاضی و آماری ضروری است.

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.

دانلود کتاب «یادگیری ماشینی دستی با ابزارهای یادگیری و علمی پایتون: راهنمای عملی برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت در پایتون»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

📖 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.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان