Machine Learning in Python: Essential Techniques for Predictive Analysis

آموزش ماشینی در پایتون به شما نشان می‌دهد 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 به کار ببرید. 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 داده ها و تجسم سازی 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. * پیش بینی نتایج با استفاده از خانواده الگوریتم های خطی و مجموعه ای * ساخت مدل های پیش بینی کننده که طیفی از مسائل ساده و پیچیده را حل می کند * الگوریتم های اصلی یادگیری ماشین را با استفاده از پایتون اعمال کنید * از کد نمونه به طور مستقیم برای ساخت راه حل های سفارشی استفاده کنید

یادگیری ماشین لزومی ندارد پیچیده و بسیار تخصصی پایتون با استفاده از روش‌هایی که ساده‌تر، مؤثرتر و به خوبی آزمایش شده‌اند، این فناوری را برای مخاطبان بسیار گسترده‌تری در دسترس قرار می‌دهد. یادگیری ماشینی در پایتون به شما نشان می دهد که چگونه این کار را انجام دهید، بدون نیاز به پیشینه گسترده در ریاضیات یا آمار.

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. * Predict outcomes using linear and ensemble algorithm families * Build predictive models that solve a range of simple and complex problems * Apply core machine learning algorithms using Python * Use sample code directly to build custom solutions

Machine learning doesn't have to be complex and highly specialized. Python makes this technology more accessible to a much wider audience, using methods that are simpler, effective, and well tested. Machine Learning in Python shows you how to do this, without requiring an extensive background in math or statistics.