دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python machine learning cookbook 100 recipes that teach you how to perform various machine learning tasks in the real world
دانلود کتاب کتاب آشپزی یادگیری ماشین پایتون 100 دستور العمل که به شما می آموزد چگونه وظایف مختلف یادگیری ماشین را در دنیای واقعی انجام دهید.
مشخصات کتاب
Python machine learning cookbook 100 recipes that teach you how to perform various machine learning tasks in the real world
ویرایش:
نویسندگان: Joshi. Prateek
سری: Quick answers to common problems
ISBN (شابک) : 9781786464477, 1786467682
ناشر: Packt Publishing
سال نشر: 2016
تعداد صفحات: 304
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 22 مگابایت
قیمت کتاب (تومان) : 35,000
در صورت تبدیل فایل کتاب Python machine learning cookbook 100 recipes that teach you how to perform various machine learning tasks in the real world 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 کتاب آشپزی یادگیری ماشین پایتون 100 دستور العمل که به شما می آموزد چگونه وظایف مختلف یادگیری ماشین را در دنیای واقعی انجام دهید. 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 کتاب آشپزی یادگیری ماشین پایتون 100 دستور العمل که به شما می آموزد چگونه وظایف مختلف یادگیری ماشین را در دنیای واقعی انجام دهید.
100 دستور العملی که به شما می آموزد چگونه وظایف مختلف یادگیری ماشینی را در دنیای واقعی انجام دهید درباره این کتاب*با کمک این راهنمای مهیج مبتنی بر دستور العمل درک کنید که از کدام الگوریتم ها در یک زمینه خاص استفاده کنید*درباره پرسپترون ها بیاموزید و ببینید چگونه از آنها برای ساختن استفاده می شود. شبکههای عصبی*در حالی که تصاویر، متن، گفتار و املاک و مستغلات را معنا میکنند، گیر کردهاید؟ این راهنما به کمک شما خواهد آمد و به شما نشان میدهد که چگونه با استفاده از تکنیکهای مختلف، یادگیری ماشین را برای هر یک از اینها انجام دهید. این کتاب برای مبتدیان پایتون مناسب است، اما آشنایی با برنامه نویسی پایتون مطمئنا برای بازی با کد مفید خواهد بود. -مشکلات جهانی*آشنایی با نحوه انجام بخشبندی بازار با استفاده از یادگیری بدون نظارت*تکنیکهای تجسم دادهها برای تعامل با دادههای خود به روشهای مختلف*پیدا کردن نحوه ساخت یک موتور توصیه*درک نحوه تعامل با دادههای متنی و ساخت مدلهایی برای تجزیه و تحلیل آن* با داده های گفتاری کار کنید و کلمات گفتاری را با استفاده از مدل های پنهان مارکوف تشخیص دهید * داده های بازار سهام را با استفاده از فیلدهای تصادفی شرطی تجزیه و تحلیل کنید * با داده های تصویر کار کنید و سیستم هایی برای تشخیص تصویر و تشخیص چهره بیومتریک بسازید * نحوه استفاده از شبکه های عصبی عمیق برای ساختن یک تشخیص نوری کاراکتر را درک کنید. یادگیری systemIn DetailMachine به طور فزاینده ای در دنیای مدرن مبتنی بر داده فراگیر می شود. این به طور گسترده در بسیاری از زمینه ها مانند موتورهای جستجو، رباتیک، اتومبیل های خودران و موارد دیگر استفاده می شود. با این کتاب، نحوه انجام وظایف مختلف یادگیری ماشینی در محیط های مختلف را خواهید آموخت. ما با بررسی طیف وسیعی از سناریوهای واقعی که در آن یادگیری ماشینی میتوان استفاده کرد، شروع میکنیم و به بلوکهای سازنده مختلف نگاه میکنیم. در سراسر کتاب، شما از طیف گستردهای از الگوریتمهای یادگیری ماشین برای حل مشکلات دنیای واقعی استفاده میکنید و از پایتون برای پیادهسازی این الگوریتمها استفاده میکنید. نحوه برخورد با انواع مختلف دادهها و کشف تفاوتهای بین پارادایمهای یادگیری ماشین را کشف خواهید کرد. به عنوان یادگیری تحت نظارت و بدون نظارت. ما همچنین طیف وسیعی از تکنیکهای رگرسیون، الگوریتمهای طبقهبندی، مدلسازی پیشبینیکننده، تکنیکهای تجسم دادهها، موتورهای توصیه و موارد دیگر را با کمک مثالهای دنیای واقعی پوشش میدهیم.
توضیحاتی درمورد کتاب به خارجی
100 recipes that teach you how to perform various machine learning tasks in the real worldAbout This Book*Understand which algorithms to use in a given context with the help of this exciting recipe-based guide*Learn about perceptrons and see how they are used to build neural networks*Stuck while making sense of images, text, speech, and real estate? This guide will come to your rescue, showing you how to perform machine learning for each one of these using various techniquesWho This Book Is ForThis book is for Python programmers who are looking to use machine-learning algorithms to create real-world applications. This book is friendly to Python beginners, but familiarity with Python programming would certainly be useful to play around with the code.What You Will Learn*Explore classification algorithms and apply them to the income bracket estimation problem*Use predictive modeling and apply it to real-world problems*Understand how to perform market segmentation using unsupervised learning*Explore data visualization techniques to interact with your data in diverse ways*Find out how to build a recommendation engine*Understand how to interact with text data and build models to analyze it*Work with speech data and recognize spoken words using Hidden Markov Models*Analyze stock market data using Conditional Random Fields*Work with image data and build systems for image recognition and biometric face recognition*Grasp how to use deep neural networks to build an optical character recognition systemIn DetailMachine learning is becoming increasingly pervasive in the modern data-driven world. It is used extensively across many fields such as search engines, robotics, self-driving cars, and more.With this book, you will learn how to perform various machine learning tasks in different environments. We'll start by exploring a range of real-life scenarios where machine learning can be used, and look at various building blocks. Throughout the book, you'll use a wide variety of machine learning algorithms to solve real-world problems and use Python to implement these algorithms.You'll discover how to deal with various types of data and explore the differences between machine learning paradigms such as supervised and unsupervised learning. We also cover a range of regression techniques, classification algorithms, predictive modeling, data visualization techniques, recommendation engines, and more with the help of real-world examples.
فهرست مطالب
Cover Copyright Credits About the Author About the Reviewer www.PacktPub.com Table of Contents Preface Chapter 1: The Realm of Supervised Learning Introduction Preprocessing data using different techniques Label encoding Building a linear regressor Computing regression accuracy Achieving model persistence Building a ridge regressor Building a polynomial regressor Estimating housing prices Computing the relative importance of features Estimating bicycle demand distribution Chapter 2: Constructing a Classifier Introduction Building a simple classifier Building a logistic regression classifier Building a Naive Bayes classifier Splitting the dataset for training and testing Evaluating the accuracy using cross-validation Visualizing the confusion matrix Extracting the performance report Evaluating cars based on their characteristics Extracting validation curves Extracting learning curves Estimating the income bracket Chapter 3: Predictive Modeling Introduction Building a linear classifier using Support Vector Machine (SVMs) Building a nonlinear classifier using SVMs Tackling class imbalance Extracting confidence measurements Finding optimal hyperparameters Building an event predictor Estimating traffic Chapter 4: Clustering with Unsupervised Learning Introduction Clustering data using the k-means algorithm Compressing an image using vector quantization Building a Mean Shift clustering model Grouping data using agglomerative clustering Evaluating the performance of clustering algorithms Automatically estimating the number of clusters using DBSCAN algorithm Finding patterns in stock market data Building a customer segmentation model Chapter 5: Building Recommendation Engines Introduction Building function compositions for data processing Building machine learning pipelines Finding the nearest neighbors Constructing a k-nearest neighbors classifier Constructing a k-nearest neighbors regressor Computing the Euclidean distance score Computing the Pearson correlation score Finding similar users in the dataset Generating movie recommendations Chapter 6: Analyzing Text Data Introduction Preprocessing data using tokenization Stemming text data Converting text to its base form using lemmatization Dividing text using chunking Building a bag-of-words model Building a text classifier Identifying the gender Analyzing the sentiment of a sentence Identifying patterns in text using topic modeling Chapter 7: Speech Recognition Introduction Reading and plotting audio data Transforming audio signals into the frequency domain Generating audio signals with custom parameters Synthesizing music Extracting frequency domain features Building hidden Markov models Building a speech recognizer Chapter 8: Dissecting Time Series and Sequential Data Introduction Transforming data into the time series format Slicing time series data Operating on time series data Extracting statistics from time series data Building Hidden Markov Models for sequential data Building Conditional Random Fields for sequential text data Analyzing stock market data using Hidden Markov Models Chapter 9: Image Content Analysis Introduction Operating on images using OpenCV-Python Detecting edges Histogram equalization Detecting corners Detecting SIFT feature points Building a Star feature detector Creating features using visual codebook and vector quantization Training an image classifier using Extremely Random Forests Building an object recognizer Chapter 10: Biometric Face Recognition Introduction Capturing and processing video from a webcam Building a face detector using Haar cascades Building eye and nose detectors Performing Principal Components Analysis Performing Kernel Principal Components Analysis Performing blind source separation Building a face recognizer using Local Binary Patterns Histogram Chapter 11: Deep Neural Networks Introduction Building a perceptron Building a single layer neural network Building a deep neural network Creating a vector quantizer Building a recurrent neural network for sequential data analysis Visualizing the characters in an optical character recognition database Building an optical character recognizer using neural networks Chapter 12: Visualizing Data Introduction Plotting 3D scatter plots Plotting bubble plots Animating bubble plots Drawing pie charts Plotting date-formatted time series data Plotting histograms Visualizing heat maps Animating dynamic signals Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Mastering Azure Machine Learning: Execute Large-Scale End-to-end Machine Learning with Azure
دانلود کتاب Food Chemistry: A Laboratory Manual
دانلود کتاب pn-Übergänge: Ihre Physik in Leistungsgleichrichtern und Thyristoren
دانلود کتاب Як правильно постити (корисні поради)
