مشخصات کتاب

Introduction to Machine Learning with Python: A Guide for Beginners in Data Science

ویرایش:  
نویسندگان: Nedal. Daniel, Morgan. Peters  
سری:  
ISBN (شابک) : 9781724417503, 1724417509 
ناشر: Createspace Independent Publishing Platform;AI Sciences LLC 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

در صورت تبدیل فایل کتاب Introduction to Machine Learning with Python: A Guide for Beginners in Data Science 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 مبتدیان در علم 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.

توضیحاتی در مورد کتاب مقدمه ای بر یادگیری ماشین با پایتون: راهنمای مبتدیان در علم داده

******کتاب الکترونیکی رایگان برای مشتریانی که کتاب چاپی را از آمازون خریداری می کنند******* آیا به یادگیری بیشتر در مورد یادگیری ماشین با استفاده از پایتون فکر می کنید؟ این کتاب به دنبال توضیح اصطلاحات و الگوریتم های رایج به روشی شهودی است. نویسنده از رویکردی پیشرو استفاده می‌کند که به موجب آن ما به آرامی شروع می‌کنیم و پیچیدگی راه‌حل‌های خود را بهبود می‌بخشیم. این یک راهنمای گام به گام برای هر فردی است که می خواهد یادگیری هوش مصنوعی و علم داده را از ابتدا شروع کند. این به شما در تهیه یک پایه محکم و یادگیری سایر دوره های سطح بالا کمک می کند. برای استفاده بیشتر از مفاهیمی که پوشش داده می شود، به خوانندگان توصیه می شود رویکردی عملی اتخاذ کنند که منجر به بازنمایی ذهنی بهتری شود.

راهنمای گام به گام و تصاویر و نمونه های بصری این کتاب و در مثال‌های همراه، شما برای مقابله با مشکلاتی که با استفاده از یادگیری ماشینی علایق شما را برمی‌انگیزد، مناسب خواهید بود. به جای فرمول های سخت ریاضی، این کتاب حاوی چندین نمودار و تصاویر است که تمام مفاهیم مهم یادگیری ماشین و کاربردهای آنها را به تفصیل شرح می دهد.

کاربران هدف این کتاب برای طیف وسیعی از مخاطبان هدف طراحی شده است. مناسب‌ترین کاربران عبارتند از:
هر کسی که شیفته نحوه رسیدن الگوریتم‌ها به پیش‌بینی‌ها باشد، اما هیچ دانش قبلی در این زمینه نداشته باشد.
توسعه‌دهندگان و مهندسان نرم‌افزار با پیش‌زمینه برنامه‌نویسی قوی، اما به دنبال نفوذ در این زمینه هستند. از یادگیری ماشینی.
متخصصان باتجربه در زمینه هوش مصنوعی و یادگیری ماشینی که مایلند تکنیک ها و رویکردهای فعلی را با دید پرنده ببینند.


در داخل این کتاب چیست؟
الگوریتم‌های یادگیری نظارت‌شده
الگوریتم‌های یادگیری بدون نظارت
الگوریتم‌های یادگیری نیمه‌نظارت‌شده
الگوریتم‌های یادگیری تقویت‌شده
بیش از حد و کم‌برازش
درست بودن
سوگیری-واریانس خاموش
استخراج و انتخاب ویژگی
یک مثال رگرسیونی: پیش بینی قیمت مسکن در بوستون
واردات کتابخانه ها:
نحوه پیش بینی و پیش بینی
الگوریتم های طبقه بندی محبوب
مقدمه ای بر K Nearest Neighbors
معرفی ماشین بردار پشتیبانینمونه ای از خوشه بندی
اجرای K-means با Scikit-Learn
مقدمه ای بر یادگیری عمیق با استفاده از TensorFlow
آموزش عمیق در مقایسه با سایر روش های یادگیری ماشین
کاربردهای یادگیری عمیق
نحوه اجرای شبکه عصبی با استفاده از TensorFlow
موارد مطالعه با داده های واقعی
منابع و مراجع
سوالات متداول

سؤال: آیا این کتاب برای من و آیا به تجربه برنامه نویسی نیاز دارم؟ پاسخ: اگر می خواهید یادگیری ماشینی را از ابتدا شکست دهید، این کتاب برای شما مناسب است. اگر قبلاً چند خط کد نوشته اید و عبارات اصلی برنامه نویسی را تشخیص می دهید، مشکلی ندارید.

س: آیا این کتاب شامل همه چیزهایی است که برای تبدیل شدن به یک متخصص یادگیری ماشین نیاز دارم؟ پاسخ: متأسفانه خیر. این کتاب برای خوانندگانی طراحی شده است که اولین گام‌های خود را در یادگیری ماشینی برمی‌دارند و یادگیری بیشتر فراتر از این کتاب برای تسلط بر همه جنبه‌های یادگیری ماشین لازم است.

سؤال: اگر این کتاب نیست می‌توانم مبلغی را بازپرداخت کنم. برای من مناسب است؟ پاسخ: بله، در صورت نارضایتی آمازون وجه به شما بازپرداخت می کند، برای کسب اطلاعات بیشتر در مورد خدمات بازپرداخت آمازون لطفاً به پلت فرم کمک آمازون بروید. همچنین اگر به ما ایمیلی به آدرس contact@aisciences.net بفرستید خوشحال خواهیم شد به شما کمک کنیم.اگر نیاز دارید کیفیت کار ما را ببینید، شرکت علوم هوش مصنوعی به شما یک کتاب الکترونیکی رایگان در زمینه یادگیری ماشین با پایتون نوشته شده توسط دانشمند داده آلن کافمن در http: //aisciences.net/ رایگان-کتاب/

توضیحاتی درمورد کتاب به خارجی

******Free eBook for customers who purchase the print book from Amazon****** Are you thinking of learning more about Machine Learning using Python? This book would seek to explain common terms and algorithms in an intuitive way. The author used a progressive approach whereby we start out slowly and improve on the complexity of our solutions.

From AI Sciences Publisher Our books may be the best one for beginners; it's a step-by-step guide for any person who wants to start learning Artificial Intelligence and Data Science from scratch. It will help you in preparing a solid foundation and learn any other high-level courses. To get the most out of the concepts that would be covered, readers are advised to adopt a hands on approach which would lead to better mental representations.

Step By Step Guide and Visual Illustrations and Examples This book and the accompanying examples, you would be well suited to tackle problems which pique your interests using machine learning. Instead of tough math formulas, this book contains several graphs and images which detail all important Machine Learning concepts and their applications.

Target Users The book designed for a variety of target audiences. The most suitable users would include:
Anyone who is intrigued by how algorithms arrive at predictions but has no previous knowledge of the field.
Software developers and engineers with a strong programming background but seeking to break into the field of machine learning.
Seasoned professionals in the field of artificial intelligence and machine learning who desire a bird's eye view of current techniques and approaches.


What's Inside This Book?
Supervised Learning Algorithms
Unsupervised Learning Algorithms
Semi-supervised Learning Algorithms
Reinforcement Learning Algorithms
Overfitting and underfitting
correctness
The Bias-Variance Trade-off
Feature Extraction and Selection
A Regression Example: Predicting Boston Housing Prices
Import Libraries:
How to forecast and Predict
Popular Classification Algorithms
Introduction to K Nearest Neighbors
Introduction to Support Vector Machine
Example of Clustering
Running K-means with Scikit-Learn
Introduction to Deep Learning using TensorFlow
Deep Learning Compared to Other Machine Learning Approaches
Applications of Deep Learning
How to run the Neural Network using TensorFlow
Cases of Study with Real Data
Sources & References
Frequently Asked Questions

Q: Is this book for me and do I need programming experience? A: If you want to smash Machine Learning from scratch, this book is for you. If you already wrote a few lines of code and recognize basic programming statements, you'll be OK.

Q: Does this book include everything I need to become a Machine Learning expert? A: Unfortunately, no. This book is designed for readers taking their first steps in Machine Learning and further learning will be required beyond this book to master all aspects of Machine Learning.

Q: Can I have a refund if this book is not fitted for me? A: Yes, Amazon refund you if you aren't satisfied, for more information about the amazon refund service please go to the amazon help platform. We will also be happy to help you if you send us an email at contact@aisciences.net.If you need to see the quality of our job, AI Sciences Company offering you a free eBook in Machine Learning with Python written by the data scientist Alain Kaufmann at http: //aisciences.net/free-books/

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Private Life under Socialism: Love, Intimacy, and Family Change in a Chinese Village, 1949-1999

دانلود کتاب Formulation and Stoichiometry: A Review of Fundamental Chemistry

دانلود کتاب Propagation Engineering in Wireless Communications

دانلود کتاب Where Is Science Going?

دانلود کتاب The History of Energy Flows: From Human Labor to Renewable Power