دانلود کتاب scikit-learn Cookbook: Over 80 recipes for machine learning in Python with scikit-learn (به فارسی: کتاب آشپزی scikit-learn: بیش از 80 دستور العمل برای یادگیری ماشین در پایتون با scikit-learn) نوشته شده توسط «Julian Avila»
اطلاعات کتاب کتاب آشپزی scikit-learn: بیش از 80 دستور العمل برای یادگیری ماشین در پایتون با scikit-learn
موضوع اصلی: کامپیوتر – پایگاه داده
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Julian Avila
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2017
تعداد صفحه: 374 / 368
حجم فایل: 7.11 مگابایت
کد کتاب: 178728638X , 9781787286382
نوبت چاپ: 2
توضیحات کتاب کتاب آشپزی scikit-learn: بیش از 80 دستور العمل برای یادگیری ماشین در پایتون با scikit-learn
یاد بگیرید که از عملیات و توابع یادگیری scikit برای یادگیری ماشین و برنامه های یادگیری عمیق استفاده کنید.
درباره این کتاب
• با استفاده از قدرت یادگیری اسکیت، انواع وظایف یادگیری ماشین را بدون زحمت انجام دهید
• یادگیری تحت نظارت و بدون نظارت را به راحتی انجام دهید و عملکرد مدل خود را ارزیابی کنید
• دستور العمل های کاربردی و آسان برای کمک به شما در انتخاب الگوریتم یادگیری ماشینی مناسب
این کتاب برای چه کسانی است
تحلیلگران داده که قبلاً با پایتون آشنا هستند، اما نه چندان با Sicit-Learn، که می خواهند راه حل های سریعی برای مشکلات رایج یادگیری ماشینی داشته باشند، این کتاب را بسیار مفید می دانند. اگر شما یک برنامه نویس پایتون هستید و می خواهید به روشی عملی وارد دنیای یادگیری ماشین شوید، این کتاب به شما نیز کمک خواهد کرد.
آنچه خواهید آموخت
• با استفاده از scikit-learn
مدل های پیش بینی را در چند دقیقه بسازید
• تفاوت ها و روابط بین طبقه بندی و رگرسیون، دو نوع یادگیری تحت نظارت را درک کنید.
• از معیارهای فاصله برای پیش‌بینی در خوشه‌بندی، نوعی یادگیری بدون نظارت استفاده کنید
• نقاطی با ویژگی های مشابه با نزدیکترین همسایگان پیدا کنید.
• از اتوماسیون و اعتبارسنجی متقابل برای یافتن بهترین مدل و تمرکز روی آن برای محصول داده استفاده کنید
• از بین بهترین الگوریتم‌ها انتخاب کنید یا از آنها در یک مجموعه استفاده کنید.
• برآوردگر خود را با نحو ساده sklearn
ایجاد کنید
• شبکه‌های عصبی پیش‌خور موجود در scikit-learn
را کاوش کنید
در جزئیات
پایتون به دلیل سادگی و انعطاف پذیری خود به سرعت در حال تبدیل شدن به زبان مورد استفاده برای تحلیلگران و دانشمندان داده است و در فضای داده پایتون، scikit-learn انتخابی بی چون و چرا برای یادگیری ماشین است. این کتاب شامل راه‌حل‌ها و راه‌حل‌هایی برای مشکلات رایج و نه چندان رایج در یادگیری ماشین است، و اینکه چگونه می‌توان از Sicit-Learn برای انجام مؤثر وظایف مختلف یادگیری ماشین استفاده کرد.
ویرایش دوم با آموزش دستورالعمل‌های ارزیابی ویژگی‌های آماری داده‌ها آغاز می‌شود و داده‌های مصنوعی را برای مدل‌سازی یادگیری ماشین تولید می‌کند. با پیشرفت در فصل‌ها، با دستور العمل‌هایی مواجه می‌شوید که به شما می‌آموزد تکنیک‌هایی مانند پیش‌پردازش داده، رگرسیون خطی، رگرسیون لجستیک، K-NN، Naïve Bayes، طبقه‌بندی، درخت‌های تصمیم، گروه‌ها و موارد دیگر را پیاده‌سازی کنید. علاوه بر این، یاد خواهید گرفت که مدل‌های خود را با طبقه‌بندی چند کلاسه، اعتبارسنجی متقابل، ارزیابی مدل بهینه کنید و عمیق‌تر در پیاده‌سازی یادگیری عمیق با scikit-learn غواصی کنید. این کتاب علاوه بر پوشش ویژگی‌های بهبود یافته در بخش مدل، API و ویژگی‌های جدید مانند طبقه‌بندی‌کننده، رگرسیور و تخمین‌گر، حاوی دستورالعمل‌هایی برای ارزیابی و تنظیم دقیق عملکرد مدل شما است.
تا پایان این کتاب، ویژگی‌های متعددی را که توسط scikit-learn برای پایتون برای حل هر مشکل یادگیری ماشینی که با آن مواجه می‌شوید، بررسی خواهید کرد.
سبک و رویکرد
این کتاب شامل دستور العمل های عملی در مورد یادگیری اسکیتی است که افراد مبتدی و همچنین کاربران متوسط را هدف قرار می دهد. این به عمق مسائل فنی می رود، پروتکل های اضافی و بسیاری از نمونه های واقعی دیگر را پوشش می دهد تا بتوانید آن را در سناریوهای زندگی روزمره خود پیاده سازی کنید.
About This Book
• Handle a variety of machine learning tasks effortlessly by leveraging the power of scikit-learn
• Perform supervised and unsupervised learning with ease, and evaluate the performance of your model
• Practical, easy to understand recipes aimed at helping you choose the right machine learning algorithm
Who This Book Is For
Data Analysts already familiar with Python but not so much with scikit-learn, who want quick solutions to the common machine learning problems will find this book to be very useful. If you are a Python programmer who wants to take a dive into the world of machine learning in a practical manner, this book will help you too.
What You Will Learn
• Build predictive models in minutes by using scikit-learn
• Understand the differences and relationships between Classification and Regression, two types of Supervised Learning.
• Use distance metrics to predict in Clustering, a type of Unsupervised Learning
• Find points with similar characteristics with Nearest Neighbors.
• Use automation and cross-validation to find a best model and focus on it for a data product
• Choose among the best algorithm of many or use them together in an ensemble.
• Create your own estimator with the simple syntax of sklearn
• Explore the feed-forward neural networks available in scikit-learn
In Detail
Python is quickly becoming the go-to language for analysts and data scientists due to its simplicity and flexibility, and within the Python data space, scikit-learn is the unequivocal choice for machine learning. This book includes walk throughs and solutions to the common as well as the not-so-common problems in machine learning, and how scikit-learn can be leveraged to perform various machine learning tasks effectively.
The second edition begins with taking you through recipes on evaluating the statistical properties of data and generates synthetic data for machine learning modelling. As you progress through the chapters, you will comes across recipes that will teach you to implement techniques like data pre-processing, linear regression, logistic regression, K-NN, Naïve Bayes, classification, decision trees, Ensembles and much more. Furthermore, you’ll learn to optimize your models with multi-class classification, cross validation, model evaluation and dive deeper in to implementing deep learning with scikit-learn. Along with covering the enhanced features on model section, API and new features like classifiers, regressors and estimators the book also contains recipes on evaluating and fine-tuning the performance of your model.
By the end of this book, you will have explored plethora of features offered by scikit-learn for Python to solve any machine learning problem you come across.
Style and Approach
This book consists of practical recipes on scikit-learn that target novices as well as intermediate users. It goes deep into the technical issues, covers additional protocols, and many more real-live examples so that you are able to implement it in your daily life scenarios.
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.