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: 1st ed.
نویسندگان: Vaibhav Verdhan
سری:
ISBN (شابک) : 9781484261552, 9781484261569
ناشر: Apress
سال نشر: 2020
تعداد صفحات: 387
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری نظارت شده با پایتون: مفاهیم و پیاده سازی عملی با استفاده از پایتون: علوم کامپیوتر، محاسبات حرفه ای
در صورت تبدیل فایل کتاب Supervised Learning with Python: Concepts and Practical Implementation Using 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 یادگیری نظارت شده با پایتون: مفاهیم و پیاده سازی عملی با استفاده از 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.
با توسعه موارد استفاده با پایتون، درک کاملی از الگوریتم های یادگیری نظارت شده به دست آورید. شما مفاهیم یادگیری نظارت شده، کد پایتون، مجموعه داده ها، بهترین شیوه ها، حل مسائل و مشکلات رایج، و دانش عملی پیاده سازی الگوریتم ها برای مجموعه داده های ساختار یافته و همچنین متن و تصاویر را مطالعه خواهید کرد.
شما با مقدمه ای شروع خواهید کرد. یادگیری ماشینی، تفاوت بین یادگیری تحت نظارت، نیمه نظارت و بدون نظارت را برجسته می کند. در فصلهای بعدی مشکلات رگرسیون و طبقهبندی، ریاضیات پشت آنها، الگوریتمهایی مانند رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم، KNN، Naïve Bayes و الگوریتمهای پیشرفته مانند جنگل تصادفی، SVM، تقویت گرادیان و شبکههای عصبی را مطالعه خواهید کرد. پیاده سازی پایتون برای همه الگوریتم ها ارائه شده است. شما با یک فرآیند توسعه مدل پایان به انتها از جمله استقرار و نگهداری مدل به پایان میرسید.پس از خواندن آموزش نظارت شده با پایتون، درک گستردهای از یادگیری تحت نظارت و اجرای عملی آن خواهید داشت و قادر خواهید بود. برای اجرای کد و گسترش آن به روشی نوآورانه.Gain a thorough understanding of supervised learning algorithms by developing use cases with Python. You will study supervised learning concepts, Python code, datasets, best practices, resolution of common issues and pitfalls, and practical knowledge of implementing algorithms for structured as well as text and images datasets.
You’ll start with an introduction to machine learning, highlighting the differences between supervised, semi-supervised and unsupervised learning. In the following chapters you’ll study regression and classification problems, mathematics behind them, algorithms like Linear Regression, Logistic Regression, Decision Tree, KNN, Naïve Bayes, and advanced algorithms like Random Forest, SVM, Gradient Boosting and Neural Networks. Python implementation is provided for all the algorithms. You’ll conclude with an end-to-end model development process including deployment and maintenance of the model.After reading Supervised Learning with Python you’ll have a broad understanding of supervised learning and its practical implementation, and be able to run the code and extend it in an innovative manner.Front Matter ....Pages i-xx
Introduction to Supervised Learning (Vaibhav Verdhan)....Pages 1-46
Supervised Learning for Regression Analysis (Vaibhav Verdhan)....Pages 47-116
Supervised Learning for Classification Problems (Vaibhav Verdhan)....Pages 117-190
Advanced Algorithms for Supervised Learning (Vaibhav Verdhan)....Pages 191-289
End-to-End Model Development (Vaibhav Verdhan)....Pages 291-366
Back Matter ....Pages 367-372