دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Hearty. John
سری:
ISBN (شابک) : 9781784398637, 1784398632
ناشر: Packt Publishing, Limited
سال نشر: 2016
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب آموزش تسلط پیشرفته با پایتون: یادگیری ماشینی، پایتون (زبان برنامه کامپیوتری)، کتاب های الکترونیکی
در صورت تبدیل فایل کتاب Advanced Mastering Learning with Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب آموزش تسلط پیشرفته با پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
حل مسائل چالش برانگیز علم داده با تسلط بر تکنیک های پیشرفته یادگیری ماشین در Pythonدرباره این کتاب حل مشکلات پیچیده یادگیری ماشین و کاوش در یادگیری عمیق یاد بگیرید از کد پایتون برای پیاده سازی طیف وسیعی از الگوریتم ها و تکنیک های یادگیری ماشین استفاده کنید یک آموزش عملی که با محاسبات در دنیای واقعی مقابله می کند مشکلات از طریق یک رویکرد دقیق و مؤثرWho This Book Is ForThis عنوان برای توسعه دهندگان و تحلیلگران پایتون یا دانشمندان داده است که به دنبال افزایش مهارت های موجود خود با دسترسی به برخی از قوی ترین گرایش های اخیر در علم داده هستند. اگر تا به حال به فکر ساختن راه حل برچسب گذاری تصویر یا متن خود، یا شرکت در مسابقه Kaggle بوده اید، این کتاب برای شما مناسب است! تجربه قبلی پایتون و پایه گذاری در برخی از مفاهیم اصلی یادگیری ماشین مفید خواهد بود. آنچه یاد خواهید گرفت با به دست آوردن درک عملی و نظری از الگوریتم های پیشرفته یادگیری عمیق، با دانشمندان برتر داده رقابت کنید. غلبه بر چالشهای عملی وقتگیر بهبود دقت مدلها و دادههای ورودی موجود با استفاده از تکنیکهای مهندسی ویژگیهای قدرتمند استفاده از تکنیکهای یادگیری چندگانه با هم برای بهبود ثبات نتایج درک ساختار پنهان مجموعههای داده با استفاده از طیف وسیعی از تکنیکهای بدون نظارت به دست آوردن بینشی در مورد چگونگی کارشناسان. حل مشکلات چالش برانگیز داده با رویکردی مؤثر، تکراری و متمرکز بر اعتبارسنجی با استفاده از تکنیکهای ترکیبی قدرتمند برای چسباندن چندین مدل به هم، اثربخشی مدلهای یادگیری عمیق خود را بیشتر بهبود بخشید. تکنیک هایی که امروزه مورد استفاده قرار می گیرند توسط دانشمندان برتر داده، این کتاب دقیقاً همان چیزی است که شما نیاز دارید تا الگوریتمهای پایتون خود را به حداکثر پتانسیل برسانید. مثالهای واضح و نمونههای کد دقیق، تکنیکهای یادگیری عمیق، یادگیری نیمهنظارتشده و موارد دیگر را نشان میدهند - همه در حین کار با برنامههای کاربردی دنیای واقعی که شامل تصویر، موسیقی، متن و دادههای مالی هستند. تکنیک های یادگیری ماشینی که در این کتاب پوشش داده شده است، در خط مقدم عمل تجاری قرار دارند. آنها اکنون برای اولین بار در زمینه هایی مانند تشخیص تصویر، NLP و جستجوی وب، خلاقیت محاسباتی و مدل سازی داده های تجاری/مالی قابل استفاده هستند. الگوریتمهای یادگیری عمیق و مجموعهای از مدلها توسط دانشمندان داده در شرکتهای برتر فناوری و دیجیتال استفاده میشوند، اما مهارتهای مورد نیاز برای بهکارگیری موفقیتآمیز آنها، در حالی که تقاضای بالایی دارند، هنوز کمیاب هستند. این کتاب به گونه ای طراحی شده است که خواننده را به یک تور راهنمایی از مرتبط ترین و قدرتمندترین تکنیک های یادگیری ماشین ببرد. توضیحات واضح نحوه عملکرد تکنیک ها و نمونه های کد دقیق، تکنیک های یادگیری عمیق، یادگیری نیمه نظارت شده و موارد دیگر را در برنامه های کاربردی دنیای واقعی نشان می دهد. همچنین با NumPy و Theano آشنا خواهیم شد. در پایان این کتاب، شما مجموعهای از تکنیکهای پیشرفته یادگیری ماشین را خواهید آموخت و مجموعه گستردهای از مهارتهای قدرتمند در حوزه انتخاب ویژگی و مهندسی ویژگیها را به دست خواهید آورد. سبک و رویکرد این کتاب بر روشن کردن نظریه و کد پشت الگوریتم های پیچیده تمرکز دارد تا آنها را کاربردی، قابل استفاده و به خوبی درک کند. هر موضوع با برنامه های کاربردی دنیای واقعی توصیف می شود، که هم پوشش زمینه ای گسترده و هم راهنمایی دقیق ارائه می دهد.
Solve challenging data science problems by mastering cutting-edge machine learning techniques in PythonAbout This Book Resolve complex machine learning problems and explore deep learning Learn to use Python code for implementing a range of machine learning algorithms and techniques A practical tutorial that tackles real-world computing problems through a rigorous and effective approachWho This Book Is ForThis title is for Python developers and analysts or data scientists who are looking to add to their existing skills by accessing some of the most powerful recent trends in data science. If you've ever considered building your own image or text-tagging solution, or of entering a Kaggle contest for instance, this book is for you!Prior experience of Python and grounding in some of the core concepts of machine learning would be helpful. What You Will Learn Compete with top data scientists by gaining a practical and theoretical understanding of cutting-edge deep learning algorithms Apply your new found skills to solve real problems, through clearly-explained code for every technique and test Automate large sets of complex data and overcome time-consuming practical challenges Improve the accuracy of models and your existing input data using powerful feature engineering techniques Use multiple learning techniques together to improve the consistency of results Understand the hidden structure of datasets using a range of unsupervised techniques Gain insight into how the experts solve challenging data problems with an effective, iterative, and validation-focused approach Improve the effectiveness of your deep learning models further by using powerful ensembling techniques to strap multiple models togetherIn DetailDesigned to take you on a guided tour of the most relevant and powerful machine learning techniques in use today by top data scientists, this book is just what you need to push your Python algorithms to maximum potential. Clear examples and detailed code samples demonstrate deep learning techniques, semi-supervised learning, and more - all whilst working with real-world applications that include image, music, text, and financial data. The machine learning techniques covered in this book are at the forefront of commercial practice. They are applicable now for the first time in contexts such as image recognition, NLP and web search, computational creativity, and commercial/financial data modeling. Deep Learning algorithms and ensembles of models are in use by data scientists at top tech and digital companies, but the skills needed to apply them successfully, while in high demand, are still scarce. This book is designed to take the reader on a guided tour of the most relevant and powerful machine learning techniques. Clear descriptions of how techniques work and detailed code examples demonstrate deep learning techniques, semi-supervised learning and more, in real world applications. We will also learn about NumPy and Theano. By this end of this book, you will learn a set of advanced Machine Learning techniques and acquire a broad set of powerful skills in the area of feature selection & feature engineering. Style and approachThis book focuses on clarifying the theory and code behind complex algorithms to make them practical, useable, and well-understood. Each topic is described with real-world applications, providing both broad contextual coverage and detailed guidance.