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: نویسندگان: Andreas C. Mueller, Sarah Guido سری: ISBN (شابک) : 9781449369415 ناشر: O'Reilly Media سال نشر: 2016 تعداد صفحات: 400 [340] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 25 Mb
در صورت تبدیل فایل کتاب Introduction to Machine Learning with Python: A Guide for Data Scientists 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 مقدمه ای بر یادگیری ماشین با پایتون: راهنمای دانشمندان داده 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.
بسیاری از توسعهدهندگان پایتون کنجکاو هستند که یادگیری ماشین چیست و چگونه میتوان از آن برای حل مشکلاتی که در کسبوکارهایی که حجم دادههای متوسط تا زیاد را مدیریت میکنند، استفاده کرد. مقدمه ای بر یادگیری ماشین با پایتون اصول یادگیری ماشینی را به شما می آموزد و درک عملی کاملی از موضوع ارائه می دهد. مفاهیم و الگوریتم های مهم یادگیری ماشین، زمان استفاده از آنها و نحوه استفاده از آنها را خواهید آموخت. 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.
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. Introduction to 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.