دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Machine Learning Case Studies
دانلود کتاب مطالعات موردی یادگیری ماشین پایتون
مشخصات کتاب
Python Machine Learning Case Studies
ویرایش:
نویسندگان: Danish Haroon
سری:
ISBN (شابک) : 9781484228234
ناشر: Apress
سال نشر: 2017
تعداد صفحات: 212
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
قیمت کتاب (تومان) : 41,000
در صورت تبدیل فایل کتاب Python Machine Learning Case Studies 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 مطالعات موردی یادگیری ماشین 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.
توضیحاتی در مورد کتاب مطالعات موردی یادگیری ماشین پایتون
از رویکردهای یادگیری ماشین و پایتون برای فعال کردن ارائه خودکار بینش‌های غنی و حل مشکلات تجاری استفاده کنید. این کتاب از یک رویکرد مبتنی بر مطالعه موردی عملی برای شکستن برنامه‌های کاربردی دنیای واقعی استفاده می‌کند که مفاهیم یادگیری ماشین را می‌توان برای آنها اعمال کرد. این ماشین‌های هوشمندتر فرآیندهای کسب‌وکار شما را قادر می‌سازند تا با کمترین زمان و منابع به کارایی دست یابند. مطالعات موردی یادگیری ماشین پایتون شما را طی مراحلی برای بهبود فرآیندهای کسب و کار و تعیین نقاط محوری که استراتژی‌ها را تشکیل می‌دهند، هدایت می‌کند. تکنیک‌های یادگیری ماشینی را می‌بینید که می‌توانید برای پشتیبانی از محصولات و خدمات خود استفاده کنید. علاوه بر این، مزایا و معایب هر یک از مفاهیم یادگیری ماشینی را یاد خواهید گرفت تا به شما کمک کند تصمیم بگیرید کدامیک به بهترین وجه با نیازهای شما مطابقت دارد. با اتخاذ یک رویکرد گام به گام برای کدنویسی در پایتون، می‌توانید منطق پشت انتخاب مدل و تصمیم‌گیری در فرآیند یادگیری ماشین را درک کنید. این کتاب به مثال‌های کاربردی همراه با تکه‌های کد مجهز است تا اطمینان حاصل شود که رویکرد علم داده برای حل مشکلات دنیای واقعی را درک می‌کنید. آنچه خواهید آموخت درباره مفاهیم یادگیری ماشین بینش به دست آورید روی کاربردهای واقعی یادگیری ماشین کار کنید مفاهیم انتخاب مدل و بهینه‌سازی را بیاموزید یک نمای کلی از پایتون از دیدگاه یادگیری ماشینی به دست آورید. تحلیلگران، مهندسان هوش مصنوعی، علاقه مندان به داده های بزرگ، دانشمندان کامپیوتر، دانشجویان علوم کامپیوتر و تحلیلگران بازار سرمایه.
توضیحاتی درمورد کتاب به خارجی
Embrace machine learning approaches and Python to enable automatic rendering of rich insights and solve business problems. The book uses a hands-on case study-based approach to crack real-world applications to which machine learning concepts can be applied. These smarter machines will enable your business processes to achieve efficiencies on minimal time and resources. Python Machine Learning Case Studies takes you through the steps to improve business processes and determine the pivotal points that frame strategies. You’ll see machine learning techniques that you can use to support your products and services. Moreover you’ll learn the pros and cons of each of the machine learning concepts to help you decide which one best suits your needs. By taking a step-by-step approach to coding in Python you’ll be able to understand the rationale behind model selection and decisions within the machine learning process. The book is equipped with practical examples along with code snippets to ensure that you understand the data science approach to solving real-world problems. What You Will Learn Gain insights into machine learning concepts Work on real-world applications of machine learning Learn concepts of model selection and optimization Get a hands-on overview of Python from a machine learning point of view Who This Book Is For Data scientists, data analysts, artificial intelligence engineers, big data enthusiasts, computer scientists, computer sciences students, and capital market analysts.
فهرست مطالب
Contents at a Glance Contents About the Author About the Technical Reviewer Acknowledgments Introduction Chapter 1: Statistics and Probability Case Study: Cycle Sharing Scheme—Determining Brand Persona Performing Exploratory Data Analysis Feature Exploration Types of variables Continuous/Quantitative Variables True Zero Point Interval Variables Ratio Variables Discrete Variables Ordinal Variables Nominal Variables Dichotomous Variables Lurking Variable Demographic Variable Dependent and Independent Variables Univariate Analysis Multivariate Analysis Time Series Components Seasonal Pattern Cyclic Pattern Trend Measuring Center of Measure Mean Arithmetic Mean Geometric Mean Median Mode Variance Standard Deviation Changes in Measure of Center Statistics due to Presence of Constants The Normal Distribution Skewness Outliers Correlation Pearson R Correlation Kendall Rank Correlation Spearman Rank Correlation Hypothesis Testing: Comparing Two Groups t-Statistics t-Distributions and Sample Size Central Limit Theorem Case Study Findings Applications of Statistics and Probability Actuarial Science Biostatistics Astrostatistics Business Analytics Econometrics Machine Learning Statistical Signal Processing Elections Chapter 2: Regression Case Study: Removing Inconsistencies in Concrete Compressive Strength Concepts of Regression Interpolation and Extrapolation Linear Regression Least Squares Regression Line of y on x Multiple Regression Stepwise Regression Polynomial Regression Assumptions of Regressions Number of Cases Missing Data Outliers Multicollinearity and Singularity Features’ Exploration Correlation Overfitting and Underfitting Regression Metrics of Evaluation Explained Variance Score Mean Absolute Error Mean Squared Error R2 Residual Residual Plot Residual Sum of Squares Types of Regression Linear Regression Grid Search Ridge Regression Lasso Regression ElasticNet Gradient Boosting Regression Support Vector Machines Applications of Regression Predicting Sales Predicting Value of Bond Rate of Inflation Insurance Companies Call Center Agriculture Predicting Salary Real Estate Industry Chapter 3: Time Series Case Study: Predicting Daily Adjusted Closing Rate of Yahoo Feature Exploration Time Series Modeling Evaluating the Stationary Nature of a Time Series Object Properties of a Time Series Which Is Stationary in Nature Tests to Determine If a Time Series Is Stationary Exploratory Data Analysis Dickey-Fuller Test Methods of Making a Time Series Object Stationary Applying Transformations Log Transformation Square Root Transformation Estimating Trend and Removing It from the Original Series Moving Average Smoothing Exponentially Weighted Moving Average Differencing Decomposition Tests to Determine If a Time Series Has Autocorrelation Autocorrelation Function Partial Autocorrelation Function Measuring Autocorrelation Durbin Watson Statistic Modeling a Time Series Tests to Validate Forecasted Series Mean Forecast Error Mean Absolute Error Residual Sum of Squares Root Mean Squared Error Deciding Upon the Parameters for Modeling Auto-Regressive Integrated Moving Averages Auto-Regressive Moving Averages Auto-Regressive Moving Average Combined Model Scaling Back the Forecast Applications of Time Series Analysis Sales Forecasting Weather Forecasting Unemployment Estimates Disease Outbreak Stock Market Prediction Chapter 4: Clustering Case Study: Determination of Short Tail Keywords for Marketing Features’ Exploration Supervised vs. Unsupervised Learning Supervised Learning Unsupervised Learning Clustering Data Transformation for Modeling Metrics of Evaluating Clustering Models Clustering Models k-Means Clustering Elbow Method Variance Explained Bayesian Information Criterion Score Silhouette Score Applying k-Means Clustering for Optimal Number of Clusters Principle Component Analysis Gaussian Mixture Model Bayesian Gaussian Mixture Model Applications of Clustering Identifying Diseases Document Clustering in Search Engines Demographic-Based Customer Segmentation Chapter 5: Classification Case Study: Ohio Clinic—Meeting Supply and Demand Features’ Exploration Performing Data Wrangling Performing Exploratory Data Analysis Features’ Generation Classification Model Evaluation Techniques Confusion Matrix Binary Classification: Receiver Operating Characteristic Ensuring Cross-Validation by Splitting the Dataset Decision Tree Classification Kernel Approximation SGD Classifier Ensemble Methods Bagging Boosting Random Forest Classification Gradient Boosting Applications of Classification Image Classification Music Classification E-mail Spam Filtering Insurance Appendix A: Chart types and when to use them Pie chart Bar graph Histogram Stem and Leaf plot Box plot Index
