Introduction to Machine Learning with Python: A Guide for Data Scientists

یادگیری ماشین به بخشی جدایی ناپذیر از بسیاری از برنامه های تجاری و پروژه های تحقیقاتی تبدیل شده است، اما این زمینه منحصر به شرکت های بزرگ با تیم های تحقیقاتی گسترده نیست. اگر حتی به عنوان یک مبتدی از پایتون استفاده می کنید، این کتاب راه های عملی برای ساخت راه حل های یادگیری ماشین خود را به شما آموزش می دهد. با تمام داده‌های موجود امروز، برنامه‌های یادگیری ماشین تنها با تخیل شما محدود می‌شوند.

شما مراحل لازم برای ایجاد یک برنامه یادگیری ماشینی موفق با پایتون و کتابخانه‌های یادگیری اسکی را یاد خواهید گرفت. نویسندگان آندریاس مولر و سارا گویدو بر جنبه‌های عملی استفاده از الگوریتم‌های یادگیری ماشین تمرکز می‌کنند، نه ریاضیات پشت آن‌ها. آشنایی با کتابخانه‌های NumPy و matplotlib به شما کمک می‌کند از این کتاب بیشتر بهره ببرید.

با این کتاب، موارد زیر را خواهید آموخت:

• مفاهیم و کاربردهای اساسی یادگیری ماشینی
• مزایا و کاستی های الگوریتم های یادگیری ماشینی پرکاربرد
• نحوه نمایش داده های پردازش شده توسط یادگیری ماشین، از جمله اینکه روی کدام جنبه های داده تمرکز کنیم
• روش های پیشرفته برای مدل ارزیابی و تنظیم پارامتر
• مفهوم خطوط لوله برای زنجیره‌بندی مدل‌ها و محصور کردن گردش کار شما
• روش‌های کار با داده‌های متنی، از جمله تکنیک‌های پردازش متنی خاص
• پیشنهادات برای بهبود مهارت های یادگیری ماشین و علم داده

Machine learning has become an integral part of many commercial applications and research projects, but this field is not exclusive to large companies with extensive research teams. If you use Python, even as a beginner, this book will teach you practical ways to build your own machine learning solutions. With all the data available today, machine learning applications are limited only by your imagination.

You’ll learn the steps necessary to create a successful machine-learning application with Python and the scikit-learn library. Authors Andreas Müller and Sarah Guido focus on the practical aspects of using machine learning algorithms, rather than the math behind them. Familiarity with the NumPy and matplotlib libraries will help you get even more from this book.

With this book, you’ll learn:

• Fundamental concepts and applications of machine learning
• Advantages and shortcomings of widely used machine learning algorithms
• How to represent data processed by machine learning, including which data aspects to focus on
• Advanced methods for model evaluation and parameter tuning
• The concept of pipelines for chaining models and encapsulating your workflow
• Methods for working with text data, including text-specific processing techniques
• Suggestions for improving your machine learning and data science skills