Building Machine Learning Systems Using Python: Practice to Train Predictive Models and Analyze Machine Learning Results with Real Use-Cases (English Edition)

ویرایش:  
نویسندگان: Deepti Chopra  
سری:  
ISBN (شابک) : 9389423619, 9789389423617 
ناشر: BPB Publications 
سال نشر: 2021 
تعداد صفحات: 136
[247] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 52,000

تکنیک‌های یادگیری ماشین، مدل‌های مختلف پیش‌بینی، و کاربردهای آن را کاوش کنیدویژگی‌های کلیدی ● پوشش گسترده نمونه های واقعی در پیاده سازی و کار مدل های ML. ● شامل استراتژی‌های مختلفی است که توسط دانشمندان پیشرو در یادگیری ماشین استفاده می‌شود. ● بر مفاهیم یادگیری ماشین و تکامل آنها به الگوریتم ها تمرکز دارد.توضیح این کتاب مفاهیم اساسی یادگیری ماشین، پارادایم های مختلف یادگیری، معماری ها و الگوریتم های مختلف مورد استفاده در این پارادایم ها را پوشش می دهد. قدرت مدل‌های ML را با کاوش در تکنیک‌های مختلف مدل‌سازی پیش‌بینی‌کننده مانند رگرسیون، خوشه‌بندی و طبقه‌بندی خواهید آموخت. همچنین تجربه عملی در مورد روش‌ها و تکنیک‌هایی مانند Overfitting، Underfitting، Random Forest، Decision Trees، PCA و ماشین‌های بردار پشتیبانی خواهید داشت. در این کتاب نمونه‌های واقعی با اجرای کامل پایتون به تفصیل مورد بحث قرار گرفته است. در پایان کتاب شما در مورد یادگیری بدون نظارت که شامل خوشه‌بندی سلسله مراتبی، خوشه‌بندی K-means، کاهش ابعاد، تشخیص ناهنجاری، تجزیه و تحلیل مؤلفه‌های اصلی است، خواهید آموخت.آنچه خواهید آموخت ● انجام مهندسی و تحلیل داده ها را بیاموزید. ● ساخت نمونه اولیه مدل های ML و تولید مدل های ML از ابتدا. ● مهارت قوی در استفاده از scikit-learn و Python ایجاد کنید. ● تجربه عملی با جنگل تصادفی، رگرسیون لجستیک، SVM، PCA، و شبکه‌های عصبی داشته باشید.این کتاب برای چه کسی است این کتاب برای مبتدیانی است که می خواهند در مورد یادگیری ماشینی به طور مفصل دانش کسب کنند. این کتاب همچنین می‌تواند توسط کاربران یادگیری ماشینی برای یک مرجع سریع برای اصول یادگیری ماشین استفاده شود. خوانندگان باید قبل از خواندن کتاب، دانش اولیه Python و Scikit-Learn را داشته باشند.فهرست محتوا 1. مقدمه ای بر یادگیری ماشین 2. رگرسیون خطی 3. طبقه بندی با استفاده از رگرسیون لجستیک 4. Overfitting و Regularization 5. امکان سنجی یادگیری 6. ماشین بردار پشتیبانی 7. شبکه عصبی 8. درختان تصمیم 9. یادگیری بدون نظارت 10. نظریه تعمیم 11. تعصب و انصاف در MLدرباره نویسندگان دکتر دیپتی چوپرا به عنوان استادیار (IT) در موسسه مدیریت لال بهادر شاستری، دهلی کار می کند. او حدود 7 سال سابقه تدریس دارد. زمینه های مورد علاقه او شامل پردازش زبان طبیعی، زبان شناسی محاسباتی و هوش مصنوعی است. وی نویسنده سه کتاب و چندین مقاله پژوهشی در کنفرانس ها و مجلات بین المللی مختلف است.

Explore Machine Learning Techniques, Different Predictive Models, and its ApplicationsKey Features ● Extensive coverage of real examples on implementation and working of ML models. ● Includes different strategies used in Machine Learning by leading data scientists. ● Focuses on Machine Learning concepts and their evolution to algorithms.Description This book covers basic concepts of Machine Learning, various learning paradigms, different architectures and algorithms used in these paradigms. You will learn the power of ML models by exploring different predictive modeling techniques such as Regression, Clustering, and Classification. You will also get hands-on experience on methods and techniques such as Overfitting, Underfitting, Random Forest, Decision Trees, PCA, and Support Vector Machines. In this book real life examples with fully working of Python implementations are discussed in detail. At the end of the book you will learn about the unsupervised learning covering Hierarchical Clustering, K-means Clustering, Dimensionality Reduction, Anomaly detection, Principal Component Analysis.What you will learn ● Learn to perform data engineering and analysis. ● Build prototype ML models and production ML models from scratch. ● Develop strong proficiency in using scikit-learn and Python. ● Get hands-on experience with Random Forest, Logistic Regression, SVM, PCA, and Neural Networks.Who this book is for This book is meant for beginners who want to gain knowledge about Machine Learning in detail. This book can also be used by Machine Learning users for a quick reference for fundamentals in Machine Learning. Readers should have basic knowledge of Python and Scikit-Learn before reading the book.Table of Contents 1. Introduction to Machine Learning 2. Linear Regression 3. Classification Using Logistic Regression 4. Overfitting and Regularization 5. Feasibility of Learning 6. Support Vector Machine 7. Neural Network 8. Decision Trees 9. Unsupervised Learning 10. Theory of Generalization 11. Bias and Fairness in MLAbout the Authors Dr Deepti Chopra is working as an Assistant Professor (IT) at Lal Bahadur Shastri Institute of Management, Delhi. She has around 7 years of teaching experience. Her areas of interest include Natural Language Processing, Computational Linguistics, and Artificial Intelligence. She is the author of three books and has written several research papers in various international conferences and journals.