ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

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.

Python machine learning cookbook 100 recipes that teach you how to perform various machine learning tasks in the real world

مشخصات کتاب

Python machine learning cookbook 100 recipes that teach you how to perform various machine learning tasks in the real world

ویرایش:  
نویسندگان:   
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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


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