مشخصات کتاب

Machine Learning Automation with TPOT

ویرایش:  
نویسندگان: Dario Radecic  
سری:  
ISBN (شابک) : 9781800567887 
ناشر: Packt Publishing 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت 

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

در صورت تبدیل فایل کتاب Machine Learning Automation with TPOT 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 اتوماسیون یادگیری ماشین با TPOT 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 اتوماسیون یادگیری ماشین با TPOT

کشف کنید که چگونه می توان از TPOT برای مدیریت اتوماسیون در یادگیری ماشین استفاده کرد و انواع مختلف وظایفی را که TPOT می تواند خودکارسازی کند را کشف کنید. ویژگی های کلیدی: درک موازی و نحوه دستیابی به آن در پایتون. نحوه استفاده از نورون ها، لایه ها و توابع فعال سازی و ساختار شبکه عصبی مصنوعی را بیاموزید. مدل‌های TPOT را تنظیم کنید تا از عملکرد بهینه در داده‌هایی که قبلاً دیده نشده بودند اطمینان حاصل کنید. شرح کتاب: اتوماسیون وظایف یادگیری ماشینی به توسعه دهندگان اجازه می دهد تا زمان بیشتری را بر روی قابلیت استفاده و واکنش پذیری نرم افزاری که توسط مدل های یادگیری ماشینی ارائه می شود تمرکز کنند. TPOT یک ابزار یادگیری ماشین خودکار پایتون است که برای بهینه سازی خطوط لوله یادگیری ماشین با استفاده از برنامه ریزی ژنتیکی استفاده می شود. خودکارسازی یادگیری ماشینی با TPOT به افراد و شرکت‌ها این امکان را می‌دهد تا مدل‌های یادگیری ماشینی آماده تولید را ارزان‌تر و سریع‌تر از روش‌های سنتی توسعه دهند. با این راهنمای عملی AutoML، توسعه‌دهندگانی که با پایتون روی وظایف یادگیری ماشین کار می‌کنند، می‌توانند دانش خود را به کار ببندند و سریعاً سازنده شوند. شما یک رویکرد عملی برای یادگیری پیاده سازی AutoML و متدولوژی های مرتبط اتخاذ خواهید کرد. این کتاب با توضیحات گام به گام مفاهیم اساسی، مثال‌های عملی و سوالات خودارزیابی، به شما نشان می‌دهد که چگونه مدل‌های طبقه‌بندی و رگرسیون خودکار بسازید و عملکرد آنها را با مدل‌های سفارشی مقایسه کنید. همانطور که پیشرفت می کنید، مدل های پیشرفته ای را نیز با استفاده از تنها چند خط کد توسعه می دهید و خواهید دید که چگونه آن مدل ها از همه مدل های قبلی شما در مجموعه داده های مشابه بهتر عمل می کنند. در پایان این کتاب، اعتماد به نفس لازم برای پیاده سازی تکنیک های AutoML در سازمان خود را در سطح تولید به دست خواهید آورد. آنچه خواهید آموخت: با ساخت مدل‌های یادگیری ماشین خودکار آشنا شوید ساخت مدل‌های طبقه‌بندی و رگرسیون با دقت چشمگیر در مدت زمان کوتاه توسعه طبقه‌بندی‌کننده‌های شبکه عصبی با تکنیک‌های AutoML مقایسه مدل‌های AutoML با مدل‌های سنتی و دستی توسعه‌یافته در مجموعه داده‌های مشابه ایجاد قوی و تولیدی مدل‌های آماده ارزیابی مدل‌های طبقه‌بندی خودکار بر اساس معیارهایی مانند دقت، یادآوری، دقت، و امتیاز f1 با استفاده از Flask-RESTful در لوکال هاست، به طور عملی استقرار را دریافت کنید. در یادگیری ماشینی جدید هستند و می خواهند از آن در برنامه های خود استفاده کنند، این کتاب مفید خواهد بود. این کتاب همچنین برای کاربران تجاری است که به دنبال خودکارسازی وظایف تجاری با یادگیری ماشین هستند. دانش کاری زبان برنامه نویسی پایتون و درک سطح مبتدی از یادگیری ماشین برای شروع ضروری است.

توضیحاتی درمورد کتاب به خارجی

Discover how TPOT can be used to handle automation in machine learning and explore the different types of tasks that TPOT can automate Key Features: Understand parallelism and how to achieve it in Python. Learn how to use neurons, layers, and activation functions and structure an artificial neural network. Tune TPOT models to ensure optimum performance on previously unseen data. Book Description: The automation of machine learning tasks allows developers more time to focus on the usability and reactivity of the software powered by machine learning models. TPOT is a Python automated machine learning tool used for optimizing machine learning pipelines using genetic programming. Automating machine learning with TPOT enables individuals and companies to develop production-ready machine learning models cheaper and faster than with traditional methods. With this practical guide to AutoML, developers working with Python on machine learning tasks will be able to put their knowledge to work and become productive quickly. You'll adopt a hands-on approach to learning the implementation of AutoML and associated methodologies. Complete with step-by-step explanations of essential concepts, practical examples, and self-assessment questions, this book will show you how to build automated classification and regression models and compare their performance to custom-built models. As you advance, you'll also develop state-of-the-art models using only a couple of lines of code and see how those models outperform all of your previous models on the same datasets. By the end of this book, you'll have gained the confidence to implement AutoML techniques in your organization on a production level. What You Will Learn: Get to grips with building automated machine learning models Build classification and regression models with impressive accuracy in a short time Develop neural network classifiers with AutoML techniques Compare AutoML models with traditional, manually developed models on the same datasets Create robust, production-ready models Evaluate automated classification models based on metrics such as accuracy, recall, precision, and f1-score Get hands-on with deployment using Flask-RESTful on localhost Who this book is for: Data scientists, data analysts, and software developers who are new to machine learning and want to use it in their applications will find this book useful. This book is also for business users looking to automate business tasks with machine learning. Working knowledge of the Python programming language and beginner-level understanding of machine learning are necessary to get started.

فهرست مطالب

Cover
Title Page
Copyright and Credits
Contributors
Table of Contents
Preface
Section 1: Introducing Machine Learning and the Idea of Automation
Chapter 1: Machine Learning and the Idea of Automation
	Technical requirements
	Reviewing the history of machine learning
		What is machine learning?
		In which sectors are the companies using machine learning?
		Supervised learning
	Reviewing automation
		What is automation?
		Why is automation needed?
		Are machine learning and automation the same thing?
	Applying automation to machine learning
		What are we trying to automate?
		The problem of too many parameters
		What is AutoML?
	Automation options
		PyCaret
		ObviouslyAI
		TPOT
	Summary
	Q&A
	Further reading
Section 2: TPOT – Practical Classification and Regression
Chapter 2: Deep Dive into TPOT
	Technical requirements
	Introducing TPOT
		A brief overview of genetic programming
		TPOT limitations
	Types of problems TPOT can solve
		How TPOT handles regression tasks
		How TPOT handles classification tasks
	Installing TPOT and setting up the environment
		Installing and configuring TPOT with standalone Python installation
		Installing and configuring TPOT through Anaconda
	Summary
	Q&A
	Further reading
Chapter 3: Exploring Regression with TPOT
	Technical requirements
	Applying automated regression modeling to the fish market dataset
	Applying automated regression modeling to the insurance dataset
	Applying automated regression modeling to the vehicle dataset
	Summary
	Q&A
Chapter 4: Exploring Classification with TPOT
	Technical requirements
	Applying automated classification models to the iris dataset
	Applying automated classification modeling to the titanic dataset
	Summary
	Q&A
Chapter 5: Parallel Training with TPOT and Dask
	Technical requirements
	Introduction to parallelism in Python
	Introduction to the Dask library
	Training machine learning models with TPOT and Dask
	Summary
	Q&A
Section 3: Advanced Examples and Neural Networks in TPOT
Chapter 6: Getting Started with Deep Learning: Crash Course in Neural Networks
	Technical requirements
	Overview of deep learning
	Introducing artificial neural networks
		Theory of a single neuron
		Coding a single neuron
		Theory of a single layer
		Coding a single layer
		Activation functions
	Using neural networks to classify handwritten digits
	Neural networks in regression versus classification
	Summary
	Q&A
Chapter 7: Neural Network Classifier with TPOT
	Technical requirements
	Exploring the dataset
	Exploring options for training neural network classifiers
	Training a neural network classifier
	Summary
	Questions
Chapter 8: TPOT Model Deployment
	Technical requirements
	Why do we need model deployment?
	Introducing Flask and Flask-RESTful
	Best practices for deploying automated models
	Deploying machine learning models to localhost
	Deploying machine learning models to the cloud
	Summary
	Question
Chapter 9: Using the Deployed TPOT Model in Production
	Technical requirements
	Making predictions in a notebook environment
	Developing a simple GUI web application
	Making predictions in a GUI environment
	Summary
	Q&A
	Why subscribe?
About Packt
Other Books You May Enjoy
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Aufgaben und Lösungen zur Höheren Mathematik

دانلود کتاب A Machine Learning Based Model of Boko Haram

دانلود کتاب Handbook of ozone technology and applications, Volume 2

دانلود کتاب Integrated Water Resources Management and Security in the Middle East (NATO Science for Peace and Security Series C: Environmental Security)

دانلود کتاب Labour Law in Singapore