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: 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.
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.
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.
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