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: 1st ed.
نویسندگان: Manohar Swamynathan
سری:
ISBN (شابک) : 1484228650, 9781484228654
ناشر: Apress
سال نشر: 2017
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب تسلط بر یادگیری ماشین با پایتون در شش مرحله: راهنمای پیاده سازی عملی برای تجزیه و تحلیل داده های پیش بینی با استفاده از پایتون: هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، رایانه و فناوری، پایگاههای داده و دادههای بزرگ، دسترسی، دادهکاوی، مدلسازی و طراحی داده، پردازش داده، انبار داده، MySQL، Oracle، پایگاههای داده دیگر، پایگاههای داده رابطهای، SQL، رایانهها و فناوری، طراحی شی گرا، طراحی نرم افزار، تست و مهندسی، برنامه نویسی، کامپیوتر و فناوری، توسعه نرم افزار، طراحی نرم افزار، تست و مهندسی، برنامه نویسی، کامپیوتر و فناوری، پایتون، زبان های برنامه نویسی، کامپیوتر و فناوری
در صورت تبدیل فایل کتاب Mastering Machine Learning with Python in Six Steps: A Practical Implementation Guide to Predictive Data Analytics Using Python 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 تسلط بر یادگیری ماشین با پایتون در شش مرحله: راهنمای پیاده سازی عملی برای تجزیه و تحلیل داده های پیش بینی با استفاده از پایتون 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.
در شش مرحله به یادگیری ماشینی با پایتون مسلط شوید و موضوعات
اساسی تا پیشرفته را بررسی کنید، همه برای اینکه شما را به یک
تمرینکننده شایسته تبدیل کنند.
رویکرد این کتاب مبتنی بر نظریه «شش درجه جدایی» است که بیان میکند هرکس و همه چیز حداکثر شش قدم با شما فاصله دارد. تسلط بر یادگیری ماشین با پایتون در شش مرحله هر موضوع را در دو بخش ارائه میکند: مفاهیم نظری و اجرای عملی با استفاده از بستههای مناسب پایتون.
شما اصول زبان برنامه نویسی پایتون، تاریخچه یادگیری ماشین، تکامل و چارچوب های توسعه سیستم را خواهید آموخت. مفاهیم کلیدی داده کاوی/تجزیه و تحلیل، مانند کاهش ابعاد ویژگی، رگرسیون، پیش بینی سری های زمانی و اجرای کارآمد آنها در Scikit-learn نیز پوشش داده شده است. در نهایت، تکنیکهای پیشرفته متن کاوی، شبکههای عصبی و تکنیکهای یادگیری عمیق و پیادهسازی آنها را بررسی خواهید کرد.
همه کدهای ارائه شده در کتاب به شکل نوت بوک iPython در دسترس خواهند بود تا شما را قادر سازد این نمونه ها را امتحان کنید و آنها را به نفع خود گسترش دهید.
< /div>متخصصین یادگیری ماشین غیر پایتون (R، SAS، SPSS، Matlab یا هر زبان دیگری) که به دنبال گسترش مهارتهای پیادهسازی خود در پایتون هستند.< /p>
متخصصان تازه کار یادگیری ماشینی که به دنبال یادگیری موضوعات پیشرفته هستند، مانند تنظیم هایپرپارامتر، تکنیک های مختلف گروه، پردازش زبان طبیعی (NLP)، یادگیری عمیق، و اصول اولیه یادگیری تقویتی.
Master machine learning with Python in six steps and
explore fundamental to advanced topics, all designed to
make you a worthy practitioner.
This book’s approach is based on the “Six degrees of separation” theory, which states that everyone and everything is a maximum of six steps away. Mastering Machine Learning with Python in Six Steps presents each topic in two parts: theoretical concepts and practical implementation using suitable Python packages.
You’ll learn the fundamentals of Python programming language, machine learning history, evolution, and the system development frameworks. Key data mining/analysis concepts, such as feature dimension reduction, regression, time series forecasting and their efficient implementation in Scikit-learn are also covered. Finally, you’ll explore advanced text mining techniques, neural networks and deep learning techniques, and their implementation.
All the code presented in the book will be available in the form of iPython notebooks to enable you to try out these examples and extend them to your advantage.
Non-Python (R, SAS, SPSS, Matlab or any other language) machine learning practitioners looking to expand their implementation skills in Python.
Novice machine learning practitioners looking to learn advanced topics, such as hyperparameter tuning, various ensemble techniques, natural language processing (NLP), deep learning, and basics of reinforcement learning.
Front Matter....Pages i-xxi
Step 1 – Getting Started in Python....Pages 1-52
Step 2 – Introduction to Machine Learning....Pages 53-116
Step 3 – Fundamentals of Machine Learning....Pages 117-208
Step 4 – Model Diagnosis and Tuning....Pages 209-250
Step 5 – Text Mining and Recommender Systems....Pages 251-295
Step 6 – Deep and Reinforcement Learning....Pages 297-344
Conclusion....Pages 345-349
Back Matter....Pages 351-358