دانلود کتاب Python Machine Learning Cookbook: Practical Solutions from Preprocessing to Deep Learning (به فارسی: کتاب آشپزی یادگیری ماشین پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق) نوشته شده توسط «Chris Albon»
اطلاعات کتاب کتاب آشپزی یادگیری ماشین پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق
موضوع اصلی: کامپیوتر – پایگاه داده
نوع: کتاب الکترونیکی
ناشر: O’Reilly Media
نویسنده: Chris Albon
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 366
حجم فایل: 4.59 مگابایت
کد کتاب: 1491989386 , 9781491989388
نوبت چاپ: 1
توضیحات کتاب کتاب آشپزی یادگیری ماشین پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق
این راهنمای عملی نزدیک به 200 دستور العمل مستقل ارائه می دهد تا به شما کمک کند چالش های یادگیری ماشینی را که ممکن است در کار روزانه خود با آنها روبرو شوید حل کنید. اگر با Python و کتابخانه‌های آن، از جمله پانداها و scikit-learn راحت هستید، می‌توانید به مشکلات خاصی مانند بارگیری داده‌ها، مدیریت متن یا داده‌های عددی، انتخاب مدل، و کاهش ابعاد و بسیاری از موضوعات دیگر رسیدگی کنید.
هر دستور غذا شامل کدی است که می توانید آن را کپی و در مجموعه داده اسباب بازی جایگذاری کنید تا مطمئن شوید که واقعا کار می کند. از آنجا، می‌توانید کد را وارد کنید، ترکیب کنید یا تطبیق دهید تا به ساخت برنامه‌تان کمک کند. دستور العمل ها همچنین شامل بحثی است که راه حل را توضیح می دهد و زمینه معناداری را ارائه می دهد. این کتاب آشپزی با ارائه مهره ها و پیچ و مهره های مورد نیاز برای ساخت برنامه های کاربردی یادگیری ماشینی شما را فراتر از نظریه و مفاهیم می برد.
دستور العمل هایی برای:
پیدا خواهید کرد
● بردارها، ماتریس ها و آرایه ها
● مدیریت داده های عددی و دسته بندی، متن، تصاویر، و تاریخ و زمان
● کاهش ابعاد با استفاده از استخراج ویژگی یا انتخاب ویژگی
● ارزیابی و انتخاب مدل
● رگرسیون خطی و منطقی، درختان و جنگل‌ها و k-نزدیک‌ترین همسایگان
● پشتیبانی از ماشین‌های برداری (SVM)، بیزهای ساده، خوشه‌بندی، و شبکه‌های عصبی
● ذخیره و بارگیری مدل های آموزش دیده
این کتاب برای چه کسانی است
این کتاب مقدمه ای برای یادگیری ماشین نیست. اگر با مفاهیم اولیه یادگیری ماشین راحت نیستید یا هرگز زمانی را صرف یادگیری ماشین نکرده اید، این کتاب را نخرید. درعوض، این کتاب برای تمرین‌کننده‌های یادگیری ماشینی است که اگرچه با نظریه و مفاهیم یادگیری ماشینی راحت هستند، اما از یک مرجع سریع حاوی کد برای حل چالش‌هایی که به طور روزمره با یادگیری ماشین مواجه می‌شوند، سود می‌برند.
این کتاب فرض می کند که خواننده با زبان برنامه نویسی پایتون و مدیریت بسته راحت است.
این کتاب برای چه کسانی نیست
همانطور که قبلاً گفته شد، این کتاب مقدمه ای برای یادگیری ماشین نیست. این کتاب نباید اولین کتاب شما باشد. اگر با مفاهیمی مانند اعتبار سنجی متقاطع، جنگل تصادفی، و نزول گرادیان آشنایی ندارید، احتمالاً از این کتاب به اندازه یکی از متون با کیفیت بالا که به طور خاص برای معرفی شما با موضوع طراحی شده است، بهره نخواهید برد. توصیه می‌کنم یکی از آن کتاب‌ها را بخوانید و سپس به این کتاب برگردید تا راه‌حل‌های عملی برای یادگیری ماشین را یاد بگیرید.
Each recipe includes code that you can copy and paste into a toy dataset to ensure that it actually works. From there, you can insert, combine, or adapt the code to help construct your application. Recipes also include a discussion that explains the solution and provides meaningful context. This cookbook takes you beyond theory and concepts by providing the nuts and bolts you need to construct working machine learning applications.
You’ll find recipes for:
● Vectors, matrices, and arrays
● Handling numerical and categorical data, text, images, and dates and times
● Dimensionality reduction using feature extraction or feature selection
● Model evaluation and selection
● Linear and logical regression, trees and forests, and k-nearest neighbors
● Support vector machines (SVM), naïve Bayes, clustering, and neural networks
● Saving and loading trained models
Who This Book Is For
This book is not an introduction to machine learning. If you are not comfortable with the basic concepts of machine learning or have never spent time learning machine learning, do not buy this book. Instead, this book is for the machine learning practitioner who, while comfortable with the theory and concepts of machine learning, would benefit from a quick reference containing code to solve challenges he runs into working on machine learning on an everyday basis.
This book assumes the reader is comfortable with the Python programming language and package management.
Who This Book Is Not For
As stated previously, this book is not an introduction to machine learning. This book should not be your first. If you are unfamiliar with concepts like cross-validation, random forest, and gradient descent, you will likely not benefit from this book as much as one of the many high-quality texts specifically designed to introduce you to the topic. I recommend reading one of those books and then coming back to this book to learn working, practical solutions for machine learning.
دانلود کتاب «کتاب آشپزی یادگیری ماشین پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.