دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
دانلود کتاب راه حل های علم داده با پایتون: مدل های سریع و مقیاس پذیر با استفاده از Keras، PySpark MLlib، H2O، XGBoost، و Scikit-Learn
مشخصات کتاب
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
ویرایش: [1 ed.]
نویسندگان: Tshepo Chris Nokeri
سری:
ISBN (شابک) : 1484277619, 9781484277614
ناشر: Apress
سال نشر: 2021
تعداد صفحات: 135
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
قیمت کتاب (تومان) : 35,000
در صورت تبدیل فایل کتاب Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn 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 راه حل های علم داده با پایتون: مدل های سریع و مقیاس پذیر با استفاده از Keras، PySpark MLlib، H2O، XGBoost، و Scikit-Learn 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.
توضیحاتی در مورد کتاب راه حل های علم داده با پایتون: مدل های سریع و مقیاس پذیر با استفاده از Keras، PySpark MLlib، H2O، XGBoost، و Scikit-Learn
از یادگیری تحت نظارت و بدون نظارت برای حل مشکلات داده
های بزرگ عملی و دنیای واقعی استفاده کنید. این کتاب به شما می
آموزد که چگونه ویژگی ها را مهندسی کنید، فراپارامترها را بهینه
کنید، مدل ها را آموزش دهید و آزمایش کنید، خطوط لوله را توسعه
دهید، و فرآیند یادگیری ماشین (ML) را خودکار کنید.
این کتاب یک چارچوب محاسباتی خوشه‌ای توزیع‌شده در حافظه
معروف به PySpark، پلتفرم‌های چارچوب یادگیری ماشینی به نام‌های
scikit-learn، PySpark MLlib، H2O و XGBoost را پوشش می‌دهد. و
یک چارچوب یادگیری عمیق (DL) معروف به Keras.
این کتاب شروع به ارائه مدل‌های ML و DL تحت نظارت و بدون نظارت می‌کند و سپس چارچوب‌های کلان داده را همراه با ML و بررسی می‌کند. فریمورک های DL نویسنده Tshepo Chris Nokeri یک مدل پارامتریک به نام مدل خطی تعمیم یافته و یک مدل رگرسیون بقا معروف به مدل مخاطرات متناسب کاکس را همراه با زمان شکست شتاب (AFT) در نظر می‌گیرد. همچنین یک مدل طبقه بندی باینری (رگرسیون لجستیک) و یک مدل مجموعه (درختان تقویت شده گرادیان) ارائه شده است. این کتاب DL و یک شبکه عصبی مصنوعی معروف به طبقه‌بندی کننده پرسپترون چندلایه (MLP) را معرفی می‌کند. روشی برای انجام تحلیل خوشه ای با استفاده از مدل K-Means پوشش داده شده است. تکنیک‌های کاهش ابعاد مانند تجزیه و تحلیل مؤلفه‌های اصلی و تحلیل تشخیصی خطی بررسی می‌شوند. و یادگیری ماشین خودکار بسته‌بندی نشده است.
این کتاب برای دانشمندان داده‌های سطح متوسط و مهندسین یادگیری ماشین است که می‌خواهند یاد بگیرند چگونه چارچوب‌های کلان داده کلیدی و چارچوب‌های ML و DL را اعمال کنند. شما نیاز به دانش قبلی از مبانی آمار، برنامه نویسی پایتون، تئوری های احتمالات و تجزیه و تحلیل پیش بینی دارید.
آنچه یاد خواهید گرفت
< div>
- درک یادگیری گسترده تحت نظارت و بدون نظارت، از جمله تکنیک های کاهش ابعاد کلیدی
- آشنایی با لایه های تجزیه و تحلیل داده های بزرگ مانند تجسم داده ها، آمار پیشرفته، تجزیه و تحلیل پیش بینی کننده، یادگیری ماشینی و یادگیری عمیق
- ادغام چارچوب های کلان داده با ترکیبی از چارچوب های یادگیری ماشین و چارچوب های یادگیری عمیق
- طراحی، ساخت، آزمایش و اعتبارسنجی مدل های ماشین ماهر و مدل های یادگیری عمیق
- بهینه سازی عملکرد مدل با استفاده از تبدیل داده ها، منظم سازی، اصلاح نقاط دورافتاده، بهینه سازی هایپرپارامتر و تغییر نسبت تقسیم داده
این کتاب برای چه کسی است
دانشمندان داده و مهندسان یادگیری ماشین با دانش پایه و
درک برنامه‌نویسی پایتون، نظریه‌های احتمالات، و تجزیه و تحلیل
پیش‌بینی‌کننده
توضیحاتی درمورد کتاب به خارجی
Apply supervised and unsupervised learning to solve
practical and real-world big data problems. This book teaches
you how to engineer features, optimize hyperparameters, train
and test models, develop pipelines, and automate the machine
learning (ML) process.
The book covers an in-memory, distributed cluster
computing framework known as PySpark, machine learning
framework platforms known as scikit-learn, PySpark MLlib,
H2O, and XGBoost, and a deep learning (DL) framework known as
Keras.
The book starts off presenting supervised and unsupervised ML and DL models, and then it examines big data frameworks along with ML and DL frameworks. Author Tshepo Chris Nokeri considers a parametric model known as the Generalized Linear Model and a survival regression model known as the Cox Proportional Hazards model along with Accelerated Failure Time (AFT). Also presented is a binary classification model (logistic regression) and an ensemble model (Gradient Boosted Trees). The book introduces DL and an artificial neural network known as the Multilayer Perceptron (MLP) classifier. A way of performing cluster analysis using the K-Means model is covered. Dimension reduction techniques such as Principal Components Analysis and Linear Discriminant Analysis are explored. And automated machine learning is unpacked.
This book is for intermediate-level data scientists and machine learning engineers who want to learn how to apply key big data frameworks and ML and DL frameworks. You will need prior knowledge of the basics of statistics, Python programming, probability theories, and predictive analytics.
What You Will Learn
- Understand widespread supervised and unsupervised learning, including key dimension reduction techniques
- Know the big data analytics layers such as data visualization, advanced statistics, predictive analytics, machine learning, and deep learning
- Integrate big data frameworks with a hybrid of machine learning frameworks and deep learning frameworks
- Design, build, test, and validate skilled machine models and deep learning models
- Optimize model performance using data transformation, regularization, outlier remedying, hyperparameter optimization, and data split ratio alteration
Who This Book Is For
Data scientists and machine learning engineers with
basic knowledge and understanding of Python programming,
probability theories, and predictive analytics
فهرست مطالب
Table of Contents About the Author About the Technical Reviewer Acknowledgments Introduction Chapter 1: Exploring Machine Learning Exploring Supervised Methods Exploring Nonlinear Models Exploring Ensemble Methods Exploring Unsupervised Methods Exploring Cluster Methods Exploring Dimension Reduction Exploring Deep Learning Conclusion Chapter 2: Big Data, Machine Learning, and Deep Learning Frameworks Big Data Big Data Features Impact of Big Data on Business and People Better Customer Relationships Refined Product Development Improved Decision-Making Big Data Warehousing Big Data ETL Big Data Frameworks Apache Spark Resilient Distributed Data Sets Spark Configuration Spark Frameworks SparkSQL Spark Streaming Spark MLlib GraphX ML Frameworks Scikit-Learn H2O XGBoost DL Frameworks Keras Chapter 3: Linear Modeling with Scikit-Learn, PySpark, and H2O Exploring the Ordinary Least-Squares Method Scikit-Learn in Action PySpark in Action H2O in Action Conclusion Chapter 4: Survival Analysis with PySpark and Lifelines Exploring Survival Analysis Exploring Cox Proportional Hazards Method Lifeline in Action Exploring the Accelerated Failure Time Method PySpark in Action Conclusion Chapter 5: Nonlinear Modeling With Scikit-Learn, PySpark, and H2O Exploring the Logistic Regression Method Scikit-Learn in Action PySpark in Action H2O in Action Conclusion Chapter 6: Tree Modeling and Gradient Boosting with Scikit-Learn, XGBoost, PySpark, and H2O Decision Trees Preprocessing Features Scikit-Learn in Action Gradient Boosting XGBoost in Action PySpark in Action H2O in Action Conclusion Chapter 7: Neural Networks with Scikit-Learn, Keras, and H2O Exploring Deep Learning Multilayer Perceptron Neural Network Preprocessing Features Scikit-Learn in Action Keras in Action Deep Belief Networks H2O in Action Conclusion Chapter 8: Cluster Analysis with Scikit-Learn, PySpark, and H2O Exploring the K-Means Method Scikit-Learn in Action PySpark in Action H2O in Action Conclusion Chapter 9: Principal Component Analysis with Scikit-Learn, PySpark, and H2O Exploring the Principal Component Method Scikit-Learn in Action PySpark in Action H2O in Action Conclusion Chapter 10: Automating the Machine Learning Process with H2O Exploring Automated Machine Learning Preprocessing Features H2O AutoML in Action Conclusion Index
