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: Nasir Ali Mirza
سری:
ISBN (شابک) : 9789391392871, 9391392873
ناشر: BPB Publications
سال نشر: 2022
تعداد صفحات: 242
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Practitioner’s Guide to Data Science: Streamlining Data Science Solutions using Python, Scikit-Learn, and Azure ML Service Platform (English Edition) 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 راهنمای پزشک برای علم داده: سادهسازی راهحلهای علم داده با استفاده از Python، Scikit-Learn، و پلت فرم خدمات ML Azure (نسخه انگلیسی) 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.
مفاهیم، فرآیندها، و موارد استفاده عملی در دنیای واقعی را پوشش میدهد.
< /p>
ویژگی های کلیدی
● سفر از یک برنامه نویس پایه تا یک توسعه دهنده موثر علم داده را پوشش می دهد.
● استفاده کاربردی از فرآیندهای بومی علم داده مانند CRISP-DM و Microsoft TDSP.
● اجرای MLOps با استفاده از Microsoft Azure DevOps.
توضیح
\"پروژه علم داده چگونه است اجرا شود؟، به
لطف کارهای ارائه شده در این کتاب، هرگز به این اندازه مفهومی
نبوده است. این کتاب نگاهی عمیق به وضعیت فعلی دادههای جهان و
اینکه چگونه علم داده در هر کاری که ما انجام میدهیم نقش اساسی
دارد، ارائه میکند.
این کتاب توضیح میدهد و کل چرخه عمر علم داده را با
استفاده از فرآیندهای علم داده شناخته شده مانند CRISP-DM و
Microsoft TDSP پیاده سازی می کند. این کتاب اهمیت این فرآیندها
را در ارتباط با میزان شکست بالای پروژههای علم داده توضیح
میدهد.
این کتاب به ایجاد یک پایه محکم در مفاهیم علم داده و
چارچوبهای مرتبط کمک میکند. نحوه پیاده سازی موارد استفاده در
دنیای واقعی با استفاده از داده های مجموعه داده HMDA را آموزش
می دهد. معماری Azure ML Service، قابلیتها و پیادهسازی آن را
برای تیم DS توضیح میدهد که سپس برای پیادهسازی MLOها آماده
خواهند شد. این کتاب همچنین نحوه استفاده از Azure DevOps را
برای تکرار فرآیند در زمانی که در حال انجام آن هستیم، توضیح
میدهد.
در پایان این کتاب، مهارتهای کدنویسی قوی پایتون را خواهید
آموخت، درک دقیق مفاهیمی مانند مهندسی ویژگی، ایجاد تجسم های
روشنگر و آشنایی با تکنیک های ساخت مدل های یادگیری
ماشین.
آنچه یاد خواهید گرفت
● با استفاده از CRISP-DM و Microsoft TDSP پروژه های علم داده را سازماندهی کنید.
● کسب اطلاعات را بیاموزید. و داده ها را با استفاده از تجسم های پایتون کاوش کنید.
● با اجرای پیش پردازش داده ها و مهندسی ویژگی ها به خوبی آشنا شوید.
● انتخاب الگوریتم، توسعه مدل، و ارزیابی مدل را درک کنید.
● با سرویس Azure ML، معماری و قابلیتهای آن عمل کنید.
● استفاده از Azure ML SDK و MLOps را برای اجرای موارد استفاده در دنیای واقعی بیاموزید.
</ p>
این کتاب برای چه کسی است
این کتاب برای برنامه نویسانی در نظر گرفته شده است که می خواهند توسعه AI/ML را دنبال کنند و یک پایه مفهومی محکم و آشنایی با فرآیندها و چارچوب های مرتبط علاوه بر این، این کتاب یک منبع عالی برای معماران نرم افزار و مدیرانی است که در طراحی و ارائه راه حل های مبتنی بر علم داده فعالیت دارند.
فهرست مطالب
1. علم داده برای کسب و کار
2. روش شناسی پروژه علم داده و فرآیندهای تیمی
3. درک کسب و کار و چشم انداز داده های آن
4. به دست آوردن، کاوش و تجزیه و تحلیل داده ها
5. پیش پردازش و آماده سازی داده ها
6. توسعه یک مدل یادگیری ماشینی
7. سرویس Azure ML را دور بزنید
8. استقرار و مدیریت مدل ها
Covers Data Science concepts, processes, and the real-world hands-on use cases.
Key Features
● Covers the journey from a basic programmer to an effective Data Science developer.
● Applied use of Data Science native processes like CRISP-DM and Microsoft TDSP.
● Implementation of MLOps using Microsoft Azure DevOps.
Description
"How is the Data Science project to be
implemented?" has never been more conceptually
sounding, thanks to the work presented in this book. This
book provides an in-depth look at the current state of the
world's data and how Data Science plays a pivotal role in
everything we do.
This book explains and implements the entire Data
Science lifecycle using well-known data science processes
like CRISP-DM and Microsoft TDSP. The book explains the
significance of these processes in connection with the high
failure rate of Data Science projects.
The book helps build a solid foundation in Data Science
concepts and related frameworks. It teaches how to implement
real-world use cases using data from the HMDA dataset. It
explains Azure ML Service architecture, its capabilities, and
implementation to the DS team, who will then be prepared to
implement MLOps. The book also explains how to use Azure
DevOps to make the process repeatable while we're at
it.
By the end of this book, you will learn strong Python coding
skills, gain a firm grasp of concepts such as feature
engineering, create insightful visualizations and become
acquainted with techniques for building machine learning
models.
What you will learn
● Organize Data Science projects using CRISP-DM and Microsoft TDSP.
● Learn to acquire and explore data using Python visualizations.
● Get well versed with the implementation of data pre-processing and Feature Engineering.
● Understand algorithm selection, model development, and model evaluation.
● Hands-on with Azure ML Service, its architecture, and capabilities.
● Learn to use Azure ML SDK and MLOps for implementing real-world use cases.
Who this book is for
This book is intended for programmers who wish to pursue AI/ML development and build a solid conceptual foundation and familiarity with related processes and frameworks. Additionally, this book is an excellent resource for Software Architects and Managers involved in the design and delivery of Data Science-based solutions.
Table of Contents
1. Data Science for Business
2. Data Science Project Methodologies and Team Processes
3. Business Understanding and Its Data Landscape
4. Acquire, Explore, and Analyze Data
5. Pre-processing and Preparing Data
6. Developing a Machine Learning Model
7. Lap Around Azure ML Service
8. Deploying and Managing Models