ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning in Python: Essential Techniques for Predictive Analysis

دانلود کتاب یادگیری ماشین در پایتون: تکنیک های اساسی برای تجزیه و تحلیل پیش بینی

Machine Learning in Python: Essential Techniques for Predictive Analysis

مشخصات کتاب

Machine Learning in Python: Essential Techniques for Predictive Analysis

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781118961742 
ناشر: Wiley 
سال نشر: 2015 
تعداد صفحات: 361 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت 

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Machine Learning in Python: Essential Techniques for Predictive Analysis 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 ماشین در پایتون: تکنیک های اساسی برای تجزیه و تحلیل پیش بینی 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 ماشین در پایتون: تکنیک های اساسی برای تجزیه و تحلیل پیش بینی

یادگیری ماشینی در پایتون به شما نشان می‌دهد که چگونه با استفاده از دو الگوریتم اصلی یادگیری ماشین، داده‌ها را با موفقیت تجزیه و تحلیل کنید و چگونه آنها را با استفاده از پایتون اعمال کنید. این کتاب با تمرکز بر دو خانواده الگوریتمی که به طور موثر نتایج را پیش‌بینی می‌کنند، می‌تواند توضیحات کاملی از مکانیسم‌های موجود در کار و نمونه‌هایی ارائه دهد که ماشین‌ها را با کدهای خاص و قابل هک نشان می‌دهند. الگوریتم ها به زبان ساده و بدون ریاضیات پیچیده توضیح داده شده و با استفاده از پایتون، با راهنمایی در مورد انتخاب الگوریتم، آماده سازی داده ها و استفاده از مدل های آموزش دیده در عمل، اعمال می شوند. شما مجموعه‌ای از تکنیک‌های برنامه‌نویسی پایتون، روش‌های مختلف ساخت مدل‌های پیش‌بینی‌کننده و نحوه اندازه‌گیری عملکرد هر مدل را برای اطمینان از استفاده صحیح از آن یاد خواهید گرفت. فصل‌های مربوط به روش‌های رگرسیون خطی جریمه‌شده و مجموعه‌ای به عمق هر یک از الگوریتم‌ها می‌پردازند و می‌توانید از کد نمونه موجود در کتاب برای توسعه راه‌حل‌های تجزیه و تحلیل داده‌های خود استفاده کنید. الگوریتم های یادگیری ماشینی هسته اصلی تجزیه و تحلیل و تجسم داده ها هستند. در گذشته، این روش ها به پیشینه عمیقی در ریاضیات و آمار، اغلب در ترکیب با زبان برنامه نویسی تخصصی R نیاز داشتند. این کتاب نشان می دهد که چگونه یادگیری ماشین را می توان با استفاده از زبان برنامه نویسی Python که پرکاربردتر و در دسترس تر است پیاده سازی کرد.


توضیحاتی درمورد کتاب به خارجی

Machine Learning in Python shows you how to successfully analyze data using only two core machine learning algorithms, and how to apply them using Python. By focusing on two algorithm families that effectively predict outcomes, this book is able to provide full descriptions of the mechanisms at work, and the examples that illustrate the machinery with specific, hackable code. The algorithms are explained in simple terms with no complex math and applied using Python, with guidance on algorithm selection, data preparation, and using the trained models in practice. You will learn a core set of Python programming techniques, various methods of building predictive models, and how to measure the performance of each model to ensure that the right one is used. The chapters on penalized linear regression and ensemble methods dive deep into each of the algorithms, and you can use the sample code in the book to develop your own data analysis solutions. Machine learning algorithms are at the core of data analytics and visualization. In the past, these methods required a deep background in math and statistics, often in combination with the specialized R programming language. This book demonstrates how machine learning can be implemented using the more widely used and accessible Python programming language.





نظرات کاربران