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: 1st edition نویسندگان: Johnston. Benjamin, Jones. Aaron, Kruger. Christopher سری: ISBN (شابک) : 9781789952292 ناشر: Packt Publishing سال نشر: 2019 تعداد صفحات: 483 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Applied Unsupervised 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 یادگیری بدون نظارت کاربردی 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.
الگوریتمهای هوشمندانهای طراحی کنید که میتوانند ساختارهای جالب و روابط پنهان را در دادههای بدون ساختار و بدون برچسب کشف کنند. ویژگیهای کلیدی نحوه انتخاب مناسبترین کتابخانه پایتون برای حل مشکل خود را بیاموزید. از آنها استفاده کنید در کاربردهای شبکه های عصبی با استفاده از مجموعه داده های دنیای واقعی توضیح کتاب یادگیری بدون نظارت راه حلی مفید و کاربردی در شرایطی است که داده های برچسب دار در دسترس نیستند. یادگیری بدون نظارت کاربردی با پایتون شما را در یادگیری بهترین شیوه ها برای استفاده از تکنیک های یادگیری بدون نظارت همراه با کتابخانه های پایتون و استخراج اطلاعات معنادار از داده های بدون ساختار راهنمایی می کند. کتاب با توضیح چگونگی کارکرد خوشهبندی پایه برای یافتن نقاط داده مشابه در یک مجموعه آغاز میشود. هنگامی که با الگوریتم k-means و نحوه عملکرد آن آشنا شدید، خواهید آموخت که کاهش ابعاد چیست و کجا آن را اعمال کنید. همانطور که پیشرفت می کنید، تکنیک های مختلف شبکه های عصبی و اینکه چگونه می توانند مدل شما را بهبود بخشند، یاد خواهید گرفت. در حین مطالعه کاربردهای یادگیری بدون نظارت، همچنین خواهید فهمید که چگونه موضوعاتی را که در توییتر و فیس بوک ترند هستند استخراج کنید و یک موتور توصیه خبری برای کاربران بسازید. شما این دوره را با به چالش کشیدن خود از طریق فعالیت های مختلف جالب مانند انجام تحلیل سبد بازار و شناسایی روابط بین کالاهای مختلف تکمیل خواهید کرد. در پایان این کتاب، شما مهارت های لازم برای ساخت مدل های خود را با اطمینان با استفاده از پایتون خواهید داشت. آنچه یاد خواهید گرفت اصول و اهمیت خوشه بندی را بسازید الگوریتم های خوشه بندی k-means، سلسله مراتبی و DBSCAN را از ابتدا با بسته های داخلی کاوش کنید کاهش ابعاد و کاربردهای آن را بررسی کنید از scikit-learn (sklearn) برای پیاده سازی و تجزیه و تحلیل مولفه های اصلی استفاده کنید. PCA) در مجموعه داده Iris از Keras برای ساخت مدلهای رمزگذار خودکار برای مجموعه داده CIFAR-10 استفاده کنید. الگوریتم Apriori را با پسوندهای یادگیری ماشین (Mlxtend) برای مطالعه دادههای تراکنش استفاده کنید این دوره برای توسعهدهندگان، دانشمندان داده و ماشین طراحی شده است. علاقه مندان به یادگیری که علاقه مند به یادگیری بدون نظارت هستند. آشنایی با برنامه نویسی پایتون همراه با دانش اولیه مفاهیم ریاضی شامل توان، ریشه مربع، میانگین و میانه مفید خواهد بود. دانلود نمونه کد این کتاب الکترونیکی: می توانید فایل های کد نمونه این کتاب الکترونیکی را در گیت هاب دانلود کنید.
Design clever algorithms that can uncover interesting structures and hidden relationships in unstructured, unlabeled data Key Features Learn how to select the most suitable Python library to solve your problem Compare k-Nearest Neighbor (k-NN) and non-parametric methods and decide when to use them Delve into the applications of neural networks using real-world datasets Book Description Unsupervised learning is a useful and practical solution in situations where labeled data is not available. Applied Unsupervised Learning with Python guides you in learning the best practices for using unsupervised learning techniques in tandem with Python libraries and extracting meaningful information from unstructured data. The book begins by explaining how basic clustering works to find similar data points in a set. Once you are well-versed with the k-means algorithm and how it operates, you'll learn what dimensionality reduction is and where to apply it. As you progress, you'll learn various neural network techniques and how they can improve your model. While studying the applications of unsupervised learning, you will also understand how to mine topics that are trending on Twitter and Facebook and build a news recommendation engine for users. You will complete the course by challenging yourself through various interesting activities such as performing a Market Basket Analysis and identifying relationships between different merchandises. By the end of this book, you will have the skills you need to confidently build your own models using Python. What you will learn Understand the basics and importance of clustering Build k-means, hierarchical, and DBSCAN clustering algorithms from scratch with built-in packages Explore dimensionality reduction and its applications Use scikit-learn (sklearn) to implement and analyze principal component analysis (PCA) on the Iris dataset Employ Keras to build autoencoder models for the CIFAR-10 dataset Apply the Apriori algorithm with machine learning extensions (Mlxtend) to study transaction data Who this book is for This course is designed for developers, data scientists, and machine learning enthusiasts who are interested in unsupervised learning. Some familiarity with Python programming along with basic knowledge of mathematical concepts including exponents, square roots, means, and medians will be beneficial. Downloading the example code for this ebook: You can download the example code files for this ebook on GitHub at ...