مشخصات کتاب

Supervised machine learning with Python: develop rich Python coding practices while exploring supervised machine learning

ویرایش:  
نویسندگان: Smith. Taylor  
سری:  
ISBN (شابک) : 9781838825669, 0258198907 
ناشر: Packt Publishing 
سال نشر: 2019 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

کلمات کلیدی مربوط به کتاب یادگیری ماشینی نظارت شده با پایتون: همزمان با کاوش یادگیری ماشین نظارت شده، شیوه های کدنویسی غنی پایتون را توسعه دهید: یادگیری ماشین، پایتون (زبان برنامه کامپیوتری)

در صورت تبدیل فایل کتاب Supervised machine learning with Python: develop rich Python coding practices while exploring supervised machine learning 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 ماشینی نظارت شده با پایتون: همزمان با کاوش یادگیری ماشین نظارت شده، شیوه های کدنویسی غنی پایتون را توسعه 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 یادگیری ماشینی نظارت شده با پایتون: همزمان با کاوش یادگیری ماشین نظارت شده، شیوه های کدنویسی غنی پایتون را توسعه دهید

به ماشین خود بیاموزید که خودش فکر کند! ویژگی‌های کلیدی به یادگیری نظارت‌شده بپردازید و نحوه یادگیری ماشین را از داده‌ها درک کنید. الگوریتم‌های یادگیری ماشینی پرطرفدار را از ابتدا پیاده‌سازی کنید، درک عمیقی در طول مسیر ایجاد کنید. برخی از محبوب‌ترین کتابخانه‌های علمی و ریاضی را در زبان پایتون کاوش کنید شرح کتاب از یادگیری ماشینی نظارت شده استفاده می‌شود. در طیف گسترده ای از بخش ها (مانند امور مالی، تبلیغات آنلاین و تجزیه و تحلیل) زیرا به شما امکان می دهد سیستم خود را برای پیش بینی قیمت، تنظیمات کمپین، توصیه های مشتری و موارد دیگر آموزش دهید در حالی که سیستم خود تنظیم می شود و در مورد آن تصمیم می گیرد. خود. در نتیجه، دانستن چگونگی \\\"یادگیری\\\" یک ماشین در زیر کاپوت بسیار مهم است. این کتاب شما را از طریق پیاده‌سازی و تفاوت‌های ظریف بسیاری از الگوریتم‌های معروف یادگیری ماشینی تحت نظارت راهنمایی می‌کند و در عین حال درک عمیق را در طول مسیر تسهیل می‌کند. شما این سفر را با یک مرور کلی آغاز خواهید کرد و خواهید دید که تفاوت یادگیری ماشینی تحت نظارت با یادگیری بدون نظارت چگونه است. در مرحله بعد، مدل‌های پارامتری مانند رگرسیون خطی و لجستیک، روش‌های ناپارامتریک مانند درخت‌های تصمیم، و تکنیک‌های مختلف خوشه‌بندی را برای تسهیل تصمیم‌گیری و پیش‌بینی‌ها بررسی می‌کنیم. همانطور که ما ادامه می دهیم، شما با سیستم های توصیه گر کار خواهید کرد، که به طور گسترده توسط شرکت های آنلاین برای افزایش تعامل با کاربر و غنی سازی پتانسیل خرید استفاده می شود. در نهایت، با یک حمله کوتاه به شبکه های عصبی و انتقال یادگیری به پایان می رسانید. در پایان این کتاب، شما به تکنیک‌های عملی مجهز خواهید شد و دانش عملی مورد نیاز برای اعمال سریع و قدرتمند الگوریتم‌ها در مسائل جدید را به دست خواهید آورد. آنچه یاد خواهید گرفت کرک کنید چگونه یک ماشین یک مفهوم را می آموزد و درک خود را به داده های جدید تعمیم می دهد کشف تفاوت های اساسی بین مدل های پارامتری و ناپارامتریک پیاده سازی و توسعه چندین الگوریتم معروف یادگیری تحت نظارت از ابتدا کار با مدل ها در حوزه هایی مانند تجارت الکترونیک و بازاریابی تخصص خود را گسترش دهید و از الگوریتم‌های مختلف مانند رگرسیون، درخت تصمیم و خوشه‌بندی استفاده کنید مدل‌های خود را بسازید که قادر به پیش‌بینی هستند در محبوب‌ترین رویکردها در یادگیری عمیق مانند یادگیری انتقال و شبکه‌های عصبی استفاده کنید این کتاب برای چه کسانی است. توسعه دهندگان مشتاق یادگیری ماشینی که می خواهند با یادگیری نظارت شده شروع کنند. دانش متوسط ​​​​از برنامه نویسی پایتون - و برخی دانش اساسی از یادگیری نظارت شده - انتظار می رود.

توضیحاتی درمورد کتاب به خارجی

Teach your machine to think for itself! Key Features Delve into supervised learning and grasp how a machine learns from data Implement popular machine learning algorithms from scratch, developing a deep understanding along the way Explore some of the most popular scientific and mathematical libraries in the Python language Book Description Supervised machine learning is used in a wide range of sectors (such as finance, online advertising, and analytics) because it allows you to train your system to make pricing predictions, campaign adjustments, customer recommendations, and much more while the system self-adjusts and makes decisions on its own. As a result, it\'s crucial to know how a machine \"learns\" under the hood. This book will guide you through the implementation and nuances of many popular supervised machine learning algorithms while facilitating a deep understanding along the way. You\'ll embark on this journey with a quick overview and see how supervised machine learning differs from unsupervised learning. Next, we explore parametric models such as linear and logistic regression, non-parametric methods such as decision trees, and various clustering techniques to facilitate decision-making and predictions. As we proceed, you\'ll work hands-on with recommender systems, which are widely used by online companies to increase user interaction and enrich shopping potential. Finally, you\'ll wrap up with a brief foray into neural networks and transfer learning. By the end of this book, you\'ll be equipped with hands-on techniques and will have gained the practical know-how you need to quickly and powerfully apply algorithms to new problems. What you will learn Crack how a machine learns a concept and generalize its understanding to new data Uncover the fundamental differences between parametric and non-parametric models Implement and grok several well-known supervised learning algorithms from scratch Work with models in domains such as ecommerce and marketing Expand your expertise and use various algorithms such as regression, decision trees, and clustering Build your own models capable of making predictions Delve into the most popular approaches in deep learning such as transfer learning and neural networks Who this book is for This book is for aspiring machine learning developers who want to get started with supervised learning. Intermediate knowledge of Python programming--and some fundamental knowledge of supervised learning--are expected.

فهرست مطالب

Table of ContentsFirst step towards supervised learningImplementing parametric modelsWorking with non-parametric modelsAdvanced topics in supervised machine learning

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Crowds and Power

دانلود کتاب "I Love Paul Revere, Whether He Rode Or Not": A Collection of Legends, Lies, & Cherished Myths of American

دانلود کتاب Kontinuierliche und zeitdiskrete Regelungen

دانلود کتاب Systems, Software and Services Process Improvement: 17th European Conference, EuroSPI 2010, Grenoble, France, September 1-3, 2010. Proceedings

دانلود کتاب 人竹共生的环境与文明 /Ren zhu gong sheng de huan jing yu wen ming