مشخصات کتاب

Machine Learning with Python: Design and Develop Machine Learning and Deep Learning Technique using real world code examples

ویرایش:  
نویسندگان: Abhishek Vijayvargia  
سری: Fundamentals of the technique 
ISBN (شابک) : 9789386551931 
ناشر: BPB Publications 
سال نشر: 2019 
تعداد صفحات: 490 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 Mb 

در صورت تبدیل فایل کتاب Machine Learning with Python: Design and Develop Machine Learning and Deep Learning Technique using real world code examples 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 پایتون: طراحی و توسعه تکنیک یادگیری ماشین و یادگیری عمیق با استفاده از نمونه‌های کد دنیای واقعی 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 پایتون: طراحی و توسعه تکنیک یادگیری ماشین و یادگیری عمیق با استفاده از نمونه‌های کد دنیای واقعی

برای حل مشکلات دنیای واقعی، مدل های یادگیری ماشین خود را توسعه و پیاده سازی کنید\r\n\r\nویژگی های کلیدی\r\n● مقدمه ای بر یادگیری ماشین، پایتون و ژوپیتر\r\n● در مورد مهندسی ویژگی و تجسم داده ها با استفاده از مجموعه داده های دنیای واقعی بیاموزید\r\n● تکنیک های مختلف رگرسیون و طبقه بندی را بیاموزید\r\n● یادگیری عمیق و مفاهیم شبکه عصبی و عملی پوشش داده شده است\r\n● تجزیه و تحلیل متن، موتورهای توصیه و تجزیه و تحلیل سری زمانی\r\n● اسکریپت های نوت بوک Jupyter با مجموعه داده ای ارائه شده است که برای آزمایش و آزمایش الگوریتم ها استفاده می شود\r\n\r\nشرح\r\nاین کتاب مفهوم یادگیری ماشین را با توضیح ریاضی و مثال های برنامه نویسی ارائه می دهد. هر فصل با مبانی تکنیک و نمونه کار بر روی مجموعه داده های دنیای واقعی شروع می شود. همراه با مشاوره در مورد استفاده از الگوریتم ها، هر تکنیک دارای مزایا و معایب در داده ها است.\r\nدر این کتاب نمونه کدهایی را در پایتون ارائه می دهیم. پایتون مناسب ترین و پذیرفته شده ترین زبان جهانی برای این کار است. اول اینکه رایگان و متن باز است. این شامل حمایت بسیار خوبی از جامعه باز است. این شامل کتابخانه های زیادی است، بنابراین شما نیازی به کدنویسی همه چیز ندارید. همچنین، مقیاس پذیر برای حجم زیاد داده و مناسب برای فناوری های داده های بزرگ است.\r\n\r\nچه چیزی یاد خواهید گرفت\r\nساخت مدل یادگیری ماشین که در صنایع برای حل مشکلات مربوط به داده ها استفاده می شود.\r\n\r\nاین کتاب برای چه کسی است\r\nاین کتاب برای همه نوع خوانندگان مفید است. یا می خواهید در یادگیری ماشینی شروع کنید یا می خواهید مفاهیم را بیشتر یاد بگیرید یا با کد تمرین کنید، همه چیز را فراهم می کند. ما به کاربران توصیه می کنیم که این مفهوم را بیاموزند و با استفاده از کد نمونه آن را تمرین کنند تا این کتاب را کامل کنند.

توضیحاتی درمورد کتاب به خارجی

Develop and Implement your own Machine Learning Models to solve real world problems Key Features ● Introduction to Machine Learning, Python and Jupyter ● Learn about Feature Engineering and Data Visualization using real world data sets ● Learn various regression and classification techniques ● Deep Learning and Neural network concepts and practical covered ● Text Analysis, Recommendation engines and Time Series Analysis ● Jupyter notebook scripts are provided with dataset used to test and try the algorithms Description This book provides concept of machine learning with mathematical explanation and programming examples. Every chapter starts with fundamentals of the technique and working example on real world dataset. Along with the advice on applying algorithms, each technique is provided with advantages and disadvantages on the data. In this book we provide code examples in python. Python is the most suitable and worldwide accepted language for this. First, it is free and open source. It contains very good support from open community. It contains a lot of library, so you don’t need to code everything. Also, it is scalable for large amount of data and suitable for big data technologies. What will you learn Building machine learning model which is used in industries to solve data related problems. Who this book is for This book is helpful for all types of readers. Either you want to start in machine learning or want to learn the concepts more or practice with the code, it provides everything. We recommend users to learn the concept and practice it using sample code to get full of this book.

فهرست مطالب

1. Understanding Python
2. Feature Engineering
3. Data Visualisation
4. Basic and Advance Regression techniques
5. Classification
6. Un Supervised Learning
7. Text Analysis
8. Neural Network and Deep Learning
9. Recommendation System
10. Time Series Analysis

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Gryphon: New and Selected Stories

دانلود کتاب De Springprocessie, levende lessen in zakelijk schrijven

دانلود کتاب Compêndio de Psiquiatria: Ciência do Comportamento e Psiquiatria Clínica

دانلود کتاب A Year of Loving Kindness to Myself: & Other Essays

دانلود کتاب Cultural Nationhood and Political Statehood: The Birth of Self-Determination