Introduction to Machine Learning with Python

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Mueller Andreas C.,  Guido Sarah.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 26 مگابایت 

قیمت کتاب (تومان) : 47,000

نسخه اولیه - خام و ویرایش نشده. — رسانه O'Really، 2016 (25 سپتامبر). - 340 ص. — ISBN: 1449369413, 978-1-491-91721-3.

بسیاری از توسعه دهندگان پایتون کنجکاو هستند که یادگیری ماشین چیست و چگونه می توان آن را به طور ملموس برای حل مسائلی که در کسب و کارهایی که در مشاغل متوسط ​​و بزرگ با آن مواجه هستند به کار برد. مقدار داده یادگیری ماشین با پایتون اصول یادگیری ماشین را به شما می آموزد و درک عملی کاملی از موضوع ارائه می دهد. شما مفاهیم و الگوریتم های مهم یادگیری ماشین را خواهید آموخت، زمان استفاده از آنها و نحوه استفاده از آنها این کتاب یک گردش کار یادگیری ماشین را پوشش می دهد: پیش پردازش داده ها و کار با داده ها، الگوریتم های آموزش، ارزیابی نتایج، و پیاده سازی آن الگوریتم ها در یک سیستم سطح تولید. جدول از مطالب:
مقدمه.
یادگیری نظارت شده.
یادگیری و پیش پردازش بدون نظارت.
خلاصه ای از روش ها و کاربردهای یادگیری scikit.
نمایش داده ها و ویژگی های مهندسی.
ارزیابی و بهبود مدل.
زنجیره ها و خطوط لوله الگوریتم.
کار با داده های متنی.

Early Release - Raw & Unedited. — O'Really Media, 2016 (September, 25). — 340 p. — ISBN: 1449369413, 978-1-491-91721-3.

Many Python developers are curious about what machine learning is and how it can be concretely applied to solve issues faced in businesses handling medium to large amount of data. Machine Learning with Python teaches you the basics of machine learning and provides a thorough hands-on understanding of the subject. You’ll learn important machine learning concepts and algorithms, when to use them, and how to use them. The book will cover a machine learning workflow: data preprocessing and working with data, training algorithms, evaluating results, and implementing those algorithms into a production-level system. Table of Contents:
Introduction.
Supervised Learning.
Unsupervised Learning and Preprocessing.
Summary of scikit-learn methods and usage.
Representing Data and Engineering Features.
Model evaluation and improvement.
Algorithm Chains and Pipelines.
Working with Text Data.