مشخصات کتاب

Regression Analysis with Python

ویرایش:  
نویسندگان: Luca Massaron. Alberto Boschetti  
سری:  
ISBN (شابک) : 9781785286315 
ناشر: Packt 
سال نشر: 2016 
تعداد صفحات: 297 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

در صورت تبدیل فایل کتاب Regression Analysis with Python 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 تجزیه و تحلیل رگرسیون با 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 تجزیه و تحلیل رگرسیون با پایتون

ویژگی های کلیدی • در پیاده سازی تحلیل رگرسیون در پایتون ماهر شوید • برخی از مسائل پیچیده علم داده مربوط به پیش بینی نتایج را حل کنید • برای تجزیه و تحلیل موثر داده ها، با انواع مختلف رگرسیون مقابله کنید توضیحات کتاب رگرسیون فرآیند یادگیری روابط بین ورودی ها و خروجی های پیوسته از داده های نمونه است که پیش بینی ورودی های جدید را امکان پذیر می کند. انواع مختلفی از الگوریتم های رگرسیون وجود دارد، و هدف این کتاب این است که توضیح دهد کدام الگوریتم مناسب برای هر مجموعه ای از مسائل و نحوه تهیه داده های دنیای واقعی برای آن است. با این کتاب شما یاد خواهید گرفت که یک مسئله رگرسیون ساده را تعریف کنید و عملکرد آن را ارزیابی کنید. این کتاب به شما کمک می‌کند تا بفهمید چگونه یک مجموعه داده را به درستی تجزیه کنید، آن را تمیز کنید و یک ماتریس خروجی به‌طور بهینه برای رگرسیون ایجاد کنید. شما با یک الگوریتم رگرسیون ساده شروع می کنید تا برخی از مسائل علم داده را حل کنید و سپس به سمت الگوریتم های پیچیده تر بروید. این کتاب شما را قادر می سازد تا از مدل های رگرسیون برای پیش بینی نتایج و اتخاذ تصمیمات مهم تجاری استفاده کنید. از طریق این کتاب، دانش استفاده از پایتون برای ساخت مدل‌های خطی سریع و بهتر و اعمال نتایج را در پایتون یا هر زبان رایانه‌ای که ترجیح می‌دهید به دست خواهید آورد. آنچه خواهید آموخت • یک مجموعه داده را برای رگرسیون قالب بندی کنید و عملکرد آن را ارزیابی کنید • رگرسیون خطی چندگانه را برای مسائل دنیای واقعی اعمال کنید • طبقه بندی نکات آموزشی را بیاموزید • ایجاد یک ماتریس مشاهده، با استفاده از تکنیک های مختلف تجزیه و تحلیل داده ها و تمیز کردن • چندین تکنیک را برای کاهش (و در نهایت رفع) هر گونه مشکل اضافه برازش اعمال کنید • یاد بگیرید که مدل های خطی را به یک مجموعه داده بزرگ مقیاس دهید و با داده های افزایشی مقابله کنید

توضیحاتی درمورد کتاب به خارجی

Key Features • Become competent at implementing regression analysis in Python • Solve some of the complex data science problems related to predicting outcomes • Get to grips with various types of regression for effective data analysis Book Description Regression is the process of learning relationships between inputs and continuous outputs from example data, which enables predictions for novel inputs. There are many kinds of regression algorithms, and the aim of this book is to explain which is the right one to use for each set of problems and how to prepare real-world data for it. With this book you will learn to define a simple regression problem and evaluate its performance. The book will help you understand how to properly parse a dataset, clean it, and create an output matrix optimally built for regression. You will begin with a simple regression algorithm to solve some data science problems and then progress to more complex algorithms. The book will enable you to use regression models to predict outcomes and take critical business decisions. Through the book, you will gain knowledge to use Python for building fast better linear models and to apply the results in Python or in any computer language you prefer. What you will learn • Format a dataset for regression and evaluate its performance • Apply multiple linear regression to real-world problems • Learn to classify training points • Create an observation matrix, using different techniques of data analysis and cleaning • Apply several techniques to decrease (and eventually fix) any overfitting problem • Learn to scale linear models to a big dataset and deal with incremental data

فهرست مطالب

1. Regression – The Workhorse of Data Science
2. Approaching Simple Linear Regression
3. Multiple Regression in Action
4. Logistic Regression
5. Data Preparation
6. Achieving Generalization
7. Online and Batch Learning
8. Advanced Regression Methods
9. Real-world Applications for Regression Models

نظرات کاربران

کتاب های تصادفی

دانلود کتاب The Coptic Question in the Mubarak Era

دانلود کتاب 105 Hikes in and Around Southwestern British Columbia

دانلود کتاب Time-dependent measures of perception in sensory evaluation

دانلود کتاب The Theory of Info-Statics: Conceptual Foundations of Information and Knowledge

دانلود کتاب 漢字マスターVol.2 3級漢字300 (JLPT N3)