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: Paper. David
سری:
ISBN (شابک) : 9781484253724, 9109027777
ناشر: Apress
سال نشر: 2020
تعداد صفحات: xiii, 242 pages. 33 illustration
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 Mb
در صورت تبدیل فایل کتاب Hands-on Scikit-Learn for machine learning applications: data science fundamentals 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 Scikit- یادگیری عملی برای برنامه های یادگیری ماشین: اصول علوم داده با Python 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.
1. مقدمه ای بر Scikit-Learn -- 2. طبقه بندی از مجموعه های آموزشی ساده -- 3. طبقه بندی از مجموعه های آموزشی پیچیده -- 4. مدل سازی پیش بینی از طریق رگرسیون -- 5. تنظیم طبقه بندی Scikit-Learn از مجموعه های آموزشی ساده -- 6. تنظیم طبقهبندی کننده Scikit-Learn از مجموعههای آموزشی پیچیده -- 7. Scikit-Learn RegressionTuning -- 8. قرار دادن همه چیز در کنار هم. متخصصان مشتاق علم داده میتوانند کتابخانه Scikit-Learn را همراه با اصول یادگیری ماشینی با این کتاب بیاموزند. این کتاب توزیع Anaconda Python را با کتابخانه محبوب Scikit-Learn ترکیب میکند تا طیف گستردهای از الگوریتمهای یادگیری ماشینی تحت نظارت و بدون نظارت را نشان دهد. دقت شده است که اصول یادگیری ماشینی را از طریق مثالهای واضح نوشته شده در پایتون راهنمایی کنیم که میتوانید آنها را در خانه روی دستگاه خود امتحان کرده و آزمایش کنید. تمامی مهارت های کاربردی ریاضی و برنامه نویسی مورد نیاز برای تسلط بر مطالب در این کتاب پوشش داده شده است. نیازی به دانش عمیق برنامه نویسی شی گرا نیست زیرا نمونه های کار و کامل ارائه و توضیح داده شده است. نمونه های کدگذاری در صورت لزوم عمیق و پیچیده هستند. آنها همچنین مختصر، دقیق و کامل هستند و مکمل مفاهیم یادگیری ماشینی معرفی شده هستند. کار کردن با مثالها به ایجاد مهارتهای لازم برای درک و بکارگیری الگوریتمهای پیچیده یادگیری ماشین کمک میکند. عملی Scikit-Learn برای برنامه های کاربردی یادگیری ماشین یک نقطه شروع عالی برای کسانی است که به دنبال حرفه ای در یادگیری ماشین هستند. دانش آموزان این کتاب اصولی را که پیش نیاز شایستگی هستند، یاد خواهند گرفت. خوانندگان در معرض توزیع Anaconda پایتون قرار می گیرند که به طور خاص برای متخصصان علوم داده طراحی شده است و مهارت هایی را در کتابخانه محبوب Scikit-Learn ایجاد می کنند که زیربنای بسیاری از برنامه های یادگیری ماشین در دنیای پایتون است. آنچه یاد خواهید گرفت با مجموعه داده های ساده و پیچیده مشترک در Scikit-Learn کار کنید. داده ها را در بردارها و ماتریس ها برای پردازش الگوریتمی دستکاری کنید. بهترین الگوریتمها برای هر مجموعه داده بارگیری دادهها از فرمتهای CSV، JSON، Numpy، و Pandas و ذخیره آن در قالبهای CSV، JSON، Numpy، و Pandas این کتاب برای چه کسی است دانشمند مشتاق داده که مشتاق ورود به یادگیری ماشین از طریق تسلط بر اصول اساسی است که گاهی اوقات در عجله از آن صرفنظر میشود. سازنده باشد برخی از دانش برنامه نویسی شی گرا و جبر خطی کاربردی بسیار ابتدایی یادگیری را آسان تر می کند، اگرچه هر کسی می تواند از این کتاب بهره مند شود.
1. Introduction to Scikit-Learn -- 2. Classification from Simple Training Sets -- 3. Classification from Complex Training Sets -- 4. Predictive Modeling through Regression -- 5. Scikit-Learn Classifier Tuning from Simple Training Sets -- 6. Scikit-Learn Classifier Tuning from Complex Training Sets -- 7. Scikit-Learn RegressionTuning -- 8. Putting it All Together.;Aspiring data science professionals can learn the Scikit-Learn library along with the fundamentals of machine learning with this book. The book combines the Anaconda Python distribution with the popular Scikit-Learn library to demonstrate a wide range of supervised and unsupervised machine learning algorithms. Care is taken to walk you through the principles of machine learning through clear examples written in Python that you can try out and experiment with at home on your own machine. All applied math and programming skills required to master the content are covered in this book. In-depth knowledge of object-oriented programming is not required as working and complete examples are provided and explained. Coding examples are in-depth and complex when necessary. They are also concise, accurate, and complete, and complement the machine learning concepts introduced. Working the examples helps to build the skills necessary to understand and apply complex machine learning algorithms. Hands-on Scikit-Learn for Machine Learning Applications is an excellent starting point for those pursuing a career in machine learning. Students of this book will learn the fundamentals that are a prerequisite to competency. Readers will be exposed to the Anaconda distribution of Python that is designed specifically for data science professionals, and will build skills in the popular Scikit-Learn library that underlies many machine learning applications in the world of Python. What You'll Learn Work with simple and complex datasets common to Scikit-Learn Manipulate data into vectors and matrices for algorithmic processing Become familiar with the Anaconda distribution used in data science Apply machine learning with Classifiers, Regressors, and Dimensionality Reduction Tune algorithms and find the best algorithms for each dataset Load data from and save to CSV, JSON, Numpy, and Pandas formats Who This Book Is For The aspiring data scientist yearning to break into machine learning through mastering the underlying fundamentals that are sometimes skipped over in the rush to be productive. Some knowledge of object-oriented programming and very basic applied linear algebra will make learning easier, although anyone can benefit from this book.