Supervised Learning with Python: Concepts and Practical Implementation Using Python

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 

قیمت کتاب (تومان) : 54,000



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.
آنچه یاد خواهید گرفت

• بنای اساسی و مفاهیم یادگیری تحت نظارت را با استفاده از Python مرور کنید< /li>
• توسعه راه‌حل‌های یادگیری نظارت‌شده برای داده‌های ساختاریافته و همچنین متن و تصاویر
• حل مسائل مربوط به بیش‌برازش، مهندسی ویژگی‌ها، پاک‌سازی داده‌ها، و اعتبارسنجی متقابل برای ساخت بهترین مدل‌های مناسب
• درک چرخه مدل سرتاسری از تعریف مشکل کسب و کار تا استقرار مدل و نگهداری مدل
• از مشکلات رایج اجتناب کنید و هنگام ایجاد یک مدل یادگیری نظارت شده با استفاده از Python به بهترین شیوه ها پایبند باشید

این کتاب برای چه کسی است
دانشمندان داده یا تحلیلگران داده که علاقه مند به بهترین شیوه ها و استانداردها برای یادگیری نظارت شده و استفاده از الگوریتم های طبقه بندی و تکنیک های رگرسیون برای توسعه مدل های پیش بینی هستند.

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.
What You'll Learn

• Review the fundamental building blocks and concepts of supervised learning using Python
• Develop supervised learning solutions for structured data as well as text and images
• Solve issues around overfitting, feature engineering, data cleansing, and cross-validation for building best fit models
• Understand the end-to-end model cycle from business problem definition to model deployment and model maintenance
• Avoid the common pitfalls and adhere to best practices while creating a supervised learning model using Python

Who This Book Is For
Data scientists or data analysts interested in best practices and standards for supervised learning, and using classification algorithms and regression techniques to develop predictive models.

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