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:
نویسندگان: Gavin Hackeling
سری:
ISBN (شابک) : 1783988363, 9781783988365
ناشر: Packt Publishing
سال نشر: 2014
تعداد صفحات: 238
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Mastering Machine Learning with scikit-learn 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 ماشینی با scikit-learn 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.
اگر توسعهدهنده نرمافزاری هستید که میخواهید یاد بگیرید که مدلهای یادگیری ماشین چگونه کار میکنند و چگونه آنها را به طور مؤثر به کار ببرید، این کتاب برای شما مناسب است. آشنایی با اصول یادگیری ماشین و پایتون مفید خواهد بود، اما ضروری نیست.
If you are a software developer who wants to learn how machine learning models work and how to apply them effectively, this book is for you. Familiarity with machine learning fundamentals and Python will be helpful, but is not essential.
Mastering Machine Learning with scikit-learn......Page 5
Table of Contents......Page 2
Mastering Machine Learning with scikit-learn......Page 6
Credits......Page 7
About the Author......Page 9
About the Reviewers......Page 10
Free access for Packt account holders......Page 11
Preface......Page 13
What this book covers......Page 14
What you need for this book......Page 16
Who this book is for......Page 17
Conventions......Page 18
Reader feedback......Page 19
Customer support......Page 20
Downloading the example code......Page 21
Errata......Page 22
Piracy......Page 23
Questions......Page 24
1. The Fundamentals of Machine Learning......Page 25
Learning from experience......Page 26
Machine learning tasks......Page 28
Training data and test data......Page 30
Performance measures, bias, and variance......Page 33
An introduction to scikit-learn......Page 36
Installing scikit-learn on Windows......Page 37
Verifying the installation......Page 38
Installing pandas and matplotlib......Page 40
Summary......Page 41
Simple linear regression......Page 42
Evaluating the fitness of a model with a cost function......Page 45
Solving ordinary least squares for simple linear regression......Page 47
Evaluating the model......Page 50
Multiple linear regression......Page 53
Polynomial regression......Page 57
Regularization......Page 62
Exploring the data......Page 63
Fitting and evaluating the model......Page 66
Fitting models with gradient descent......Page 69
Summary......Page 72
Extracting features from categorical variables......Page 73
The bag-of-words representation......Page 75
Stop-word filtering......Page 78
Stemming and lemmatization......Page 79
Extending bag-of-words with TF-IDF weights......Page 81
Space-efficient feature vectorizing with the hashing trick......Page 83
Extracting features from pixel intensities......Page 85
Extracting points of interest as features......Page 87
SIFT and SURF......Page 89
Data standardization......Page 91
Summary......Page 92
Binary classification with logistic regression......Page 93
Spam filtering......Page 96
Binary classification performance metrics......Page 99
Accuracy......Page 100
Precision and recall......Page 101
Calculating the F1 measure......Page 104
ROC AUC......Page 105
Tuning models with grid search......Page 107
Multi-class classification......Page 110
Multi-class classification performance metrics......Page 113
Multi-label classification and problem transformation......Page 115
Multi-label classification performance metrics......Page 119
Summary......Page 121
Decision trees......Page 122
Training decision trees......Page 124
Selecting the questions......Page 125
Information gain......Page 128
Gini impurity......Page 133
Decision trees with scikit-learn......Page 135
Tree ensembles......Page 137
The advantages and disadvantages of decision trees......Page 138
Summary......Page 140
6. Clustering with K-Means......Page 141
Clustering with the K-Means algorithm......Page 142
Local optima......Page 150
The elbow method......Page 151
Evaluating clusters......Page 155
Image quantization......Page 157
Clustering to learn features......Page 159
Summary......Page 162
An overview of PCA......Page 163
Variance, Covariance, and Covariance Matrices......Page 168
Eigenvectors and eigenvalues......Page 169
Dimensionality reduction with Principal Component Analysis......Page 172
Using PCA to visualize high-dimensional data......Page 176
Face recognition with PCA......Page 178
Summary......Page 181
8. The Perceptron......Page 182
Activation functions......Page 183
The perceptron learning algorithm......Page 184
Binary classification with the perceptron......Page 186
Document classification with the perceptron......Page 194
Limitations of the perceptron......Page 197
Summary......Page 199
Kernels and the kernel trick......Page 200
Maximum margin classification and support vectors......Page 205
Classifying handwritten digits......Page 208
Classifying characters in natural images......Page 211
Summary......Page 214
Nonlinear decision boundaries......Page 215
Multilayer perceptrons......Page 218
Forward propagation......Page 220
Backpropagation......Page 226
Approximating XOR with Multilayer perceptrons......Page 241
Classifying handwritten digits......Page 243
Summary......Page 244
Index......Page 245