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 with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning

دانلود کتاب یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق

Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning

مشخصات کتاب

Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1491989386, 9781491989388 
ناشر: O’Reilly Media 
سال نشر: 2018 
تعداد صفحات: 366 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 58,000



کلمات کلیدی مربوط به کتاب یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق: یادگیری ماشین، شبکه های عصبی، رگرسیون، پردازش تصویر، پایتون، طبقه بندی، خوشه بندی، متغیرهای طبقه بندی، کاهش ابعاد، کتاب آشپزی، بیز ساده، رگرسیون خطی، رگرسیون لجستیک، مشاجره متن، جدال داده، ارزیابی مدل، انتخاب مدل



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning 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 با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق 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 با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق

این راهنمای عملی نزدیک به 200 دستور العمل مستقل ارائه می دهد تا به شما کمک کند چالش های یادگیری ماشینی را که ممکن است در کار روزانه خود با آنها روبرو شوید حل کنید. اگر با Python و کتابخانه‌های آن، از جمله پانداها و Sicit-Learn راحت هستید، می‌توانید مشکلات خاصی مانند بارگیری داده‌ها، مدیریت متن یا داده‌های عددی، انتخاب مدل، و کاهش ابعاد و بسیاری از موضوعات دیگر را برطرف کنید. هر دستور غذا شامل کدی است که می توانید آن را کپی و در مجموعه داده اسباب بازی جایگذاری کنید تا مطمئن شوید که واقعا کار می کند. از آنجا، می توانید کد را وارد کنید، ترکیب کنید، یا تطبیق دهید تا به ساخت برنامه خود کمک کند. دستور العمل ها همچنین شامل بحثی است که راه حل را توضیح می دهد و زمینه معناداری را ارائه می دهد. این کتاب آشپزی با ارائه مهره‌ها و پیچ‌هایی که برای ساخت برنامه‌های یادگیری ماشینی کار نیاز دارید، شما را فراتر از نظریه و مفاهیم می‌برد. دستور العمل های زیر را خواهید یافت: ● بردارها، ماتریس ها و آرایه ها ● مدیریت داده های عددی و دسته بندی، متن، تصاویر، و تاریخ و زمان ● کاهش ابعاد با استفاده از استخراج ویژگی یا انتخاب ویژگی ● ارزیابی و انتخاب مدل ● رگرسیون خطی و منطقی، درختان و جنگل‌ها و k-نزدیک‌ترین همسایگان ● پشتیبانی از ماشین‌های برداری (SVM)، بیزهای ساده، خوشه‌بندی و شبکه‌های عصبی ● ذخیره و بارگذاری مدل های آموزش دیده این کتاب برای چه کسی است این کتاب مقدمه ای برای یادگیری ماشین نیست. اگر با مفاهیم اولیه یادگیری ماشین راحت نیستید یا هرگز زمانی را صرف یادگیری ماشین نکرده اید، این کتاب را نخرید. درعوض، این کتاب برای تمرین‌کننده‌های یادگیری ماشینی است که در عین اینکه با نظریه و مفاهیم یادگیری ماشین راحت هستند، از یک مرجع سریع حاوی کد برای حل چالش‌هایی که به طور روزمره با یادگیری ماشین مواجه می‌شوند، بهره می‌برند. این کتاب فرض می کند که خواننده با زبان برنامه نویسی پایتون و مدیریت بسته راحت است. این کتاب برای چه کسانی نیست همانطور که قبلا گفته شد، این کتاب مقدمه ای برای یادگیری ماشین نیست. این کتاب نباید اولین کتاب شما باشد. اگر با مفاهیمی مانند اعتبار سنجی متقاطع، جنگل تصادفی و فرود گرادیان آشنا نیستید، احتمالاً از این کتاب به اندازه یکی از متون با کیفیت بالا که به طور خاص برای معرفی شما با موضوع طراحی شده است، بهره نخواهید برد. توصیه می‌کنم یکی از آن کتاب‌ها را بخوانید و سپس به این کتاب برگردید تا راه‌حل‌های کاربردی و کاربردی برای یادگیری ماشین را یاد بگیرید.


توضیحاتی درمورد کتاب به خارجی

This practical guide provides nearly 200 self-contained recipes to help you solve machine learning challenges you may encounter in your daily work. If you’re comfortable with Python and its libraries, including pandas and scikit-learn, you’ll be able to address specific problems such as loading data, handling text or numerical data, model selection, and dimensionality reduction and many other topics. Each recipe includes code that you can copy and paste into a toy dataset to ensure that it actually works. From there, you can insert, combine, or adapt the code to help construct your application. Recipes also include a discussion that explains the solution and provides meaningful context. This cookbook takes you beyond theory and concepts by providing the nuts and bolts you need to construct working machine learning applications. You’ll find recipes for: ● Vectors, matrices, and arrays ● Handling numerical and categorical data, text, images, and dates and times ● Dimensionality reduction using feature extraction or feature selection ● Model evaluation and selection ● Linear and logical regression, trees and forests, and k-nearest neighbors ● Support vector machines (SVM), naïve Bayes, clustering, and neural networks ● Saving and loading trained models Who This Book Is For This book is not an introduction to machine learning. If you are not comfortable with the basic concepts of machine learning or have never spent time learning machine learning, do not buy this book. Instead, this book is for the machine learning practitioner who, while comfortable with the theory and concepts of machine learning, would benefit from a quick reference containing code to solve challenges he runs into working on machine learning on an everyday basis. This book assumes the reader is comfortable with the Python programming language and package management. Who This Book Is Not For As stated previously, this book is not an introduction to machine learning. This book should not be your first. If you are unfamiliar with concepts like cross-validation, random forest, and gradient descent, you will likely not benefit from this book as much as one of the many high-quality texts specifically designed to introduce you to the topic. I recommend reading one of those books and then coming back to this book to learn working, practical solutions for machine learning.



فهرست مطالب

Vectors, matrices, and arrays --
Loading data --
Data wrangling --
Handling numerical data --
Handling categorical data --
Handling text --
Handling dates and times --
Handling images --
Dimensionalit reduction using feature extraction --
Dimensionality reduction using feature selection --
Model evaluation --
Model selection --
Linear regression --
Trees and forests --
K-nearest neighbors --
Logistic regression --
Support vector machines --
Naive bayes --
Clustering --
Neural networks --
Saving and loading trained models.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی