مشخصات کتاب

Learning scikit-learn: Machine Learning in Python

ویرایش:  
نویسندگان: Raúl Garreta. Guillermo Moncecchi  
سری:  
ISBN (شابک) : 9781783281930 
ناشر: Packt 
سال نشر: 2013 
تعداد صفحات: 118 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

در صورت تبدیل فایل کتاب Learning scikit-learn: Machine Learning in 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 یادگیری scikit-learn: یادگیری ماشین در پایتون 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 یادگیری scikit-learn: یادگیری ماشین در پایتون

یادگیری ماشینی، هنر ایجاد برنامه های کاربردی که از تجربیات و داده ها یاد می گیرند، سال هاست که وجود داشته است. با این حال، در عصر "داده های بزرگ"، حجم عظیمی از اطلاعات در حال تولید است. این امر یادگیری ماشین را به منبعی اجتناب ناپذیر از تقریب های مبتنی بر داده های جدید برای حل مسئله تبدیل می کند. با Learning scikit-learn: Machine Learning در پایتون، یاد خواهید گرفت که یادگیری ماشین را در برنامه های خود بگنجانید. این کتاب مقدمه‌ای بر برخی از مفاهیم و روش‌های اصلی در یادگیری ماشینی را با مثال‌های عملی و عملی از مشکلات دنیای واقعی ترکیب می‌کند. از تشخیص رقم دست‌نویس تا طبقه‌بندی اسناد، نمونه‌ها با استفاده از Scikit-learn و Python گام به گام حل می‌شوند. کتاب با مقدمه ای کوتاه بر مفاهیم اصلی یادگیری ماشینی با یک مثال ساده شروع می شود. سپس، با استفاده از برنامه‌های کاربردی دنیای واقعی و ویژگی‌های پیشرفته، به بررسی تکنیک‌های مختلف یادگیری ماشین می‌پردازید. شما یاد خواهید گرفت که نتایج خود را ارزیابی کنید و تکنیک‌های پیشرفته را برای پیش‌پردازش داده‌ها به کار ببرید. همچنین می توانید بهترین مجموعه ویژگی ها و بهترین روش ها را برای هر مشکل انتخاب کنید. با Learning scikit-learn: Machine Learning در پایتون، یاد خواهید گرفت که چگونه از زبان برنامه نویسی پایتون و کتابخانه scikit-learn برای ساختن برنامه هایی استفاده کنید که از تجربه یاد می گیرند و مفاهیم و تکنیک های اصلی یادگیری ماشین را به کار می برند.

توضیحاتی درمورد کتاب به خارجی

Machine learning, the art of creating applications that learn from experience and data, has been around for many years. However, in the era of “big data”, huge amounts of information is being generated. This makes machine learning an unavoidable source of new data-based approximations for problem solving.With Learning scikit-learn: Machine Learning in Python, you will learn to incorporate machine learning in your applications. The book combines an introduction to some of the main concepts and methods in machine learning with practical, hands-on examples of real-world problems. Ranging from handwritten digit recognition to document classification, examples are solved step by step using Scikit-learn and Python. The book starts with a brief introduction to the core concepts of machine learning with a simple example. Then, using real-world applications and advanced features, it takes a deep dive into the various machine learning techniques.You will learn to evaluate your results and apply advanced techniques for preprocessing data. You will also be able to select the best set of features and the best methods for each problem. With Learning scikit-learn: Machine Learning in Python you will learn how to use the Python programming language and the scikit-learn library to build applications that learn from experience, applying the main concepts and techniques of machine learning.

فهرست مطالب

Cover......Page 1
Copyright......Page 3
Credits......Page 4
About the Authors......Page 5
About the Reviewers......Page 7
www.PacktPub.com......Page 8
Table of Contents......Page 10
Preface......Page 12
Chapter 1: Machine Learning –  A Gentle Introduction......Page 16
Installing scikit-learn......Page 17
Linux......Page 18
Checking your installation......Page 19
Our first machine learning method: 
linear classification......Page 21
Evaluating our results......Page 27
Machine learning categories......Page 31
Important concepts related to 
machine learning......Page 32
Summary......Page 34
Image recognition with Support 
Vector Machines......Page 36
Training a Support Vector Machine......Page 39
Text classification with Naïve Bayes......Page 44
Preprocessing the data......Page 46
Training a Naïve Bayes classifier......Page 47
Evaluating the performance......Page 51
Explaining Titanic hypothesis with decision trees......Page 52
Preprocessing the data......Page 54
Training a decision tree classifier......Page 58
Interpreting the decision tree......Page 60
Random Forests – randomizing decisions......Page 62
Evaluating the performance......Page 63
Predicting house prices with regression......Page 64
First try – a linear model......Page 66
Second try – Support Vector Machines 
for regression......Page 68
Third try – Random Forests revisited......Page 69
Evaluation......Page 70
Summary......Page 71
Chapter 3: Unsupervised Learning......Page 72
Principal Component Analysis......Page 73
Clustering handwritten digits 
with k-means......Page 78
Alternative clustering methods......Page 85
Summary......Page 88
Chapter 4: Advanced Features......Page 90
Feature extraction......Page 91
Feature selection......Page 95
Model selection......Page 99
Grid search......Page 105
Parallel grid search......Page 106
Summary......Page 110
Index......Page 112

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Healing Anxiety Naturally

دانلود کتاب Phytochemicals and Medicinal Plants in Food Design: Strategies and Technologies for Improved Healthcare

دانلود کتاب Sea of Poppies

دانلود کتاب The color code: a new way to see yourself, your relationships, and life

دانلود کتاب Al Jihad Fil Islam (The Concept of Jihad in Islam): English Translation