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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 2 نویسندگان: Gavin Hackeling سری: ISBN (شابک) : 1788299876, 9781788299879 ناشر: Packt Publishing سال نشر: 2017 تعداد صفحات: 249 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب تسلط بر یادگیری ماشین با scikit-learn: استفاده از الگوریتم های یادگیری موثر برای مشکلات دنیای واقعی با استفاده از یادگیری scikit: یادگیری ماشینی، شبکههای عصبی، رگرسیون، درختهای تصمیم، پایتون، طبقهبندی، تجزیه و تحلیل مؤلفههای اصلی، ماشینهای بردار پشتیبان، متغیرهای طبقهبندی، کاهش ابعاد، بیهای ساده، رگرسیون خطی، رگرسیون لجستیک، یادگیری scikit، مجموعهای، یادگیری ویژگی، پرسپکترون جنگل تصادفی
در صورت تبدیل فایل کتاب Mastering Machine Learning with scikit-learn: Apply effective learning algorithms to real-world problems using 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 ماشین با scikit-learn: استفاده از الگوریتم های یادگیری موثر برای مشکلات دنیای واقعی با استفاده از یادگیری scikit 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.
ویژگی های کلیدی • تسلط بر مدلهای معروف یادگیری ماشینی از جمله k-نزدیکترین همسایه، جنگلهای تصادفی، رگرسیون لجستیک، k-means، بیز ساده و شبکههای عصبی مصنوعی • نحوه ساخت و ارزیابی عملکرد مدل های کارآمد را با استفاده از scikit-learn بیاموزید • راهنمای عملی برای تسلط بر اصول اولیه و یادگیری از کاربردهای واقعی یادگیری ماشین توضیحات کتاب یادگیری ماشینی واژهای است که علم کامپیوتر و آمار را برای ساخت مدلهای هوشمند و کارآمد کنار هم میآورد. با استفاده از الگوریتم ها و تکنیک های قدرتمند ارائه شده توسط یادگیری ماشین می توانید هر مدل تحلیلی را خودکار کنید. این کتاب انواع مدلهای یادگیری ماشین از جمله الگوریتمهای یادگیری ماشینی محبوب مانند k-نزدیکترین همسایه، رگرسیون لجستیک، بیز ساده، k-means، درختهای تصمیمگیری و شبکههای عصبی مصنوعی را بررسی میکند. این پیش پردازش داده ها، بهینه سازی هایپرپارامتر و روش های مجموعه را مورد بحث قرار می دهد. شما سیستم هایی خواهید ساخت که اسناد را طبقه بندی می کند، تصاویر را تشخیص می دهد، تبلیغات را شناسایی می کند و موارد دیگر. شما یاد خواهید گرفت که از API scikit-learn برای استخراج ویژگی ها از متغیرهای طبقه بندی شده، متن و تصاویر استفاده کنید. عملکرد مدل را ارزیابی کنید و شهودی برای بهبود عملکرد مدل خود ایجاد کنید. در پایان این کتاب، شما به تمام مفاهیم مورد نیاز Sicit-Learn برای ساخت مدل های کارآمد در محل کار برای انجام کارهای پیشرفته با رویکرد عملی تسلط خواهید داشت. آنچه خواهید آموخت • مفاهیم اساسی مانند سوگیری و واریانس را مرور کنید • استخراج ویژگی ها از متغیرهای طبقه بندی شده، متن، و تصاویر • مقادیر متغیرهای پیوسته را با استفاده از رگرسیون خطی و K نزدیکترین همسایه ها پیش بینی کنید • طبقه بندی اسناد و تصاویر با استفاده از رگرسیون لجستیک و ماشین های بردار پشتیبان • با استفاده از تکنیک های بسته بندی و تقویت، مجموعه هایی از برآوردگرها را ایجاد کنید • کشف ساختارهای پنهان در داده ها با استفاده از خوشه بندی K-Means • ارزیابی عملکرد سیستم های یادگیری ماشین در کارهای رایج
Key Features • Master popular machine learning models including k-nearest neighbors, random forests, logistic regression, k-means, naive Bayes, and artificial neural networks • Learn how to build and evaluate performance of efficient models using scikit-learn • Practical guide to master your basics and learn from real life applications of machine learning Book Description Machine learning is the buzzword bringing computer science and statistics together to build smart and efficient models. Using powerful algorithms and techniques offered by machine learning you can automate any analytical model. This book examines a variety of machine learning models including popular machine learning algorithms such as k-nearest neighbors, logistic regression, naive Bayes, k-means, decision trees, and artificial neural networks. It discusses data preprocessing, hyperparameter optimization, and ensemble methods. You will build systems that classify documents, recognize images, detect ads, and more. You will learn to use scikit-learn’s API to extract features from categorical variables, text and images; evaluate model performance, and develop an intuition for how to improve your model’s performance. By the end of this book, you will master all required concepts of scikit-learn to build efficient models at work to carry out advanced tasks with the practical approach. What you will learn • Review fundamental concepts such as bias and variance • Extract features from categorical variables, text, and images • Predict the values of continuous variables using linear regression and K Nearest Neighbors • Classify documents and images using logistic regression and support vector machines • Create ensembles of estimators using bagging and boosting techniques • Discover hidden structures in data using K-Means clustering • Evaluate the performance of machine learning systems in common tasks