Mastering Machine Learning with Python in Six Steps: A Practical Implementation Guide to Predictive Data Analytics Using Python

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.

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.

• Examine the fundamentals of Python programming language
  
• Review machine Learning history and evolution
• Understand machine learning system development frameworks
• Implement supervised/unsupervised/reinforcement learning techniques with examples
• Explore fundamental to advanced text mining techniques
• Implement various deep learning frameworks

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.