Building Machine Learning Systems with Python

در هنر یادگیری ماشینی با پایتون مسلط شوید و با این راهنمای عملی فشرده سیستم‌های یادگیری ماشینی موثر بسازید

نمای کلی

• استاد یادگیری ماشینی با استفاده از مجموعه وسیعی از کتابخانه‌های پایتون و شروع به ساختن سیستم‌های ML مبتنی بر پایتون خود.
• طبقه‌بندی، رگرسیون، مهندسی ویژگی‌ها و موارد دیگر را با مثال‌های عملی هدایت می‌کند.
• یک آموزش مبتنی بر سناریو برای وارد شدن به ذهنیت صحیح یک یادگیرنده ماشین (کاوش داده ها) و اجرای موفقیت آمیز آن در پروژه های جدید یا موجود شما.

در جزئیات b>

یادگیری ماشین، حوزه ساختن سیستم هایی که از داده ها یاد می گیرند، در وب و جاهای دیگر در حال انفجار است. پایتون یک زبان فوق‌العاده برای توسعه برنامه‌های یادگیری ماشینی است. به‌عنوان یک زبان پویا، امکان کاوش و آزمایش سریع را فراهم می‌کند و تعداد فزاینده‌ای از کتابخانه‌های یادگیری ماشین برای پایتون توسعه می‌یابد.

ساختن سیستم یادگیری ماشین با پایتون به شما نشان می‌دهد دقیقاً چگونه الگوها را از طریق داده‌های خام پیدا کنید. این کتاب با تقویت دانش Python ML شما و معرفی کتابخانه‌ها شروع می‌شود و سپس به پروژه‌های جدی‌تر در مورد مجموعه داده‌ها، مدل‌سازی، توصیه‌ها، بهبود توصیه‌ها از طریق مثال‌ها و دریانوردی از طریق پردازش صدا و تصویر با جزئیات می‌رود.

که برای برنامه نویسان پایتون نوشته شده است، ساخت سیستم های یادگیری ماشین با پایتون به شما می آموزد که چگونه از کتابخانه های منبع باز برای حل مشکلات واقعی یادگیری ماشین استفاده کنید. این کتاب بر اساس نمونه‌های دنیای واقعی است که کاربر می‌تواند بر اساس آنها بسازد.

خوانندگان می‌آموزند که چگونه برنامه‌هایی بنویسند که کیفیت پاسخ‌های StackOverflow را طبقه‌بندی می‌کنند یا اینکه آیا یک فایل موسیقی Jazz یا Metal است. آنها رگرسیون را یاد خواهند گرفت، که در مورد نحوه توصیه فیلم به کاربران نشان داده شده است. موضوعات پیشرفته مانند مدل سازی موضوع (یافتن مهمترین موضوعات متن)، تجزیه و تحلیل سبد، و محاسبات ابری و همچنین بسیاری از جنبه های جالب دیگر پوشش داده شده است.

ساختن سیستم های یادگیری ماشین با پایتون ابزارها و ابزارها را در اختیار شما قرار می دهد. درک مورد نیاز برای ساختن سیستم های خود، که برای حل مشکلات شما طراحی شده اند.

آنچه از این کتاب خواهید آموخت

• یک طبقه بندی بسازید. سیستمی که می تواند روی متن، تصاویر یا صداها اعمال شود
• از scikit-learn، یک کتابخانه منبع باز Python برای یادگیری ماشین استفاده کنید
• کاوش در کتابخانه mahotas برای پردازش تصویر و بینایی کامپیوتری
• یک مدل موضوعی از کل ویکی پدیا بسازید
• با استفاده از تجزیه و تحلیل سبد با توصیه ها آشنا شوید
• از بسته Jug برای تجزیه و تحلیل داده ها استفاده کنید
• از خدمات وب آمازون برای اجرای تجزیه و تحلیل در فضای ابری استفاده کنید
• محصولات را بر اساس خریدهای گذشته به کاربران توصیه کنید

رویکرد

یک آموزش عملی و مبتنی بر سناریو، این کتاب به شما کمک می کند تا با یادگیری ماشین با پایتون آشنا شوید و شروع به ساخت پروژه های یادگیری ماشینی خود کنید. در پایان کتاب، جنبه‌های حیاتی پروژه‌های یادگیری ماشین پایتون را یاد خواهید گرفت و قدرت سیستم‌های مبتنی بر ML را با کار بر روی آنها تجربه خواهید کرد.

Master the art of machine learning with Python and build effective machine learning systems with this intensive hands-on guide

Overview

• Master Machine Learning using a broad set of Python libraries and start building your own Python-based ML systems.
• Covers classification, regression, feature engineering, and much more guided by practical examples.
• A scenario-based tutorial to get into the right mind-set of a machine learner (data exploration) and successfully implement this in your new or existing projects.

In Detail

Machine learning, the field of building systems that learn from data, is exploding on the Web and elsewhere. Python is a wonderful language in which to develop machine learning applications. As a dynamic language, it allows for fast exploration and experimentation and an increasing number of machine learning libraries are developed for Python.

Building Machine Learning system with Python shows you exactly how to find patterns through raw data. The book starts by brushing up on your Python ML knowledge and introducing libraries, and then moves on to more serious projects on datasets, Modelling, Recommendations, improving recommendations through examples and sailing through sound and image processing in detail.

Using open-source tools and libraries, readers will learn how to apply methods to text, images, and sounds. You will also learn how to evaluate, compare, and choose machine learning techniques

Written for Python programmers, Building Machine Learning Systems with Python teaches you how to use open-source libraries to solve real problems with machine learning. The book is based on real-world examples that the user can build on.

Readers will learn how to write programs that classify the quality of StackOverflow answers or whether a music file is Jazz or Metal. They will learn regression, which is demonstrated on how to recommend movies to users. Advanced topics such as topic modeling (finding a text’s most important topics), basket analysis, and cloud computing are covered as well as many other interesting aspects.

Building Machine Learning Systems with Python will give you the tools and understanding required to build your own systems, which are tailored to solve your problems.

What you will learn from this book

• Build a classification system that can be applied to text, images, or sounds
• Use scikit-learn, a Python open-source library for machine learning
• Explore the mahotas library for image processing and computer vision
• Build a topic model of the whole of Wikipedia
• Get to grips with recommendations using the basket analysis
• Use the Jug package for data analysis
• Employ Amazon Web Services to run analyses on the cloud
• Recommend products to users based on past purchases

Approach

A practical, scenario-based tutorial, this book will help you get to grips with machine learning with Python and start building your own machine learning projects. By the end of the book you will have learnt critical aspects of machine learning Python projects and experienced the power of ML-based systems by actually working on them.