دانلود کتاب Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly – پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید

توضیحات

Explore supercharged machine learning techniques to take care of your data laundry loads

Key Features

• Learn how to prepare data for machine learning processes
• Understand which algorithms are based on prediction objectives and the properties of the data
• Explore how to interpret and evaluate the results from machine learning

Book Description

Many individuals who know how to run machine learning algorithms do not have a good sense of the statistical assumptions they make and how to match the properties of the data to the algorithm for the best results.

As you start with this book, models are carefully chosen to help you grasp the underlying data, including in-feature importance and correlation, and the distribution of features and targets. The first two parts of the book introduce you to techniques for preparing data for ML algorithms, without being bashful about using some ML techniques for data cleaning, including anomaly detection and feature selection. The book then helps you apply that knowledge to a wide variety of ML tasks. You’ll gain an understanding of popular supervised and unsupervised algorithms, how to prepare data for them, and how to evaluate them. Next, you’ll build models and understand the relationships in your data, as well as perform cleaning and exploration tasks with that data. You’ll make quick progress in studying the distribution of variables, identifying anomalies, and examining bivariate relationships, as you focus more on the accuracy of predictions in this book.

By the end of this book, you’ll be able to deal with complex data problems using unsupervised ML algorithms like principal component analysis and k-means clustering.

What you will learn

• Explore essential data cleaning and exploration techniques to be used before running the most popular machine learning algorithms
• Understand how to perform preprocessing and feature selection, and how to set up the data for testing and validation
• Model continuous targets with supervised learning algorithms
• Model binary and multiclass targets with supervised learning algorithms
• Execute clustering and dimension reduction with unsupervised learning algorithms
• Understand how to use regression trees to model a continuous target

Who this book is for

This book is for professional data scientists, particularly those in the first few years of their career, or more experienced analysts who are relatively new to machine learning. Readers should have prior knowledge of concepts in statistics typically taught in an undergraduate introductory course as well as beginner-level experience in manipulating data programmatically.

Table of Contents

1. Examining the Distribution of Features and Targets
2. Examining Bivariate and Multivariate Relationships between Features and Targets
3. Identifying and Fixing Missing Values
4. Encoding, Transforming, and Scaling Features
5. Feature Selection
6. Preparing for Model Evaluation
7. Linear Regression Models
8. Support Vector Regression
9. K-Nearest Neighbor, Decision Tree, Random Forest and Gradient Boosted Regression
10. Logistic Regression
11. Decision Trees and Random Forest Classification
12. K-Nearest Neighbors for Classification
13. Support Vector Machine Classification
14. Naive Bayes Classification
15. Principal Component Analysis
16. K-Means and DBSCAN Clustering

————————————————————–

ترجمه ماشینی :

تکنیک‌های یادگیری ماشین سوپرشارژ را برای مراقبت از داده‌های لباسشویی خود کاوش کنید

ویژگی‌های کلیدی

• < span>یاد بگیرید چگونه داده ها را برای فرآیندهای یادگیری ماشین آماده کنید
• دریابید که کدام الگوریتم ها بر اساس اهداف پیش بینی و ویژگی های داده ها هستند< /span>
• چگونگی تفسیر و ارزیابی نتایج حاصل از یادگیری ماشین را بررسی کنید

توضیحات کتاب

بسیاری از افرادی که می دانند چگونه الگوریتم های یادگیری ماشینی را اجرا کنند، درک خوبی از فرضیات آماری خود و نحوه تطبیق ویژگی های داده ها ندارند. به الگوریتم برای بهترین نتایج.

همانطور که با این کتاب شروع می‌کنید، مدل‌هایی با دقت انتخاب می‌شوند تا به شما در درک داده‌های اساسی، از جمله اهمیت و همبستگی درون ویژگی، و توزیع ویژگی ها و اهداف دو بخش اول کتاب شما را با تکنیک‌هایی برای آماده‌سازی داده‌ها برای الگوریتم‌های ML آشنا می‌کند، بدون اینکه در مورد استفاده از برخی تکنیک‌های ML برای تمیز کردن داده‌ها، از جمله تشخیص ناهنجاری و انتخاب ویژگی شرمنده باشید. سپس این کتاب به شما کمک می کند تا آن دانش را در طیف گسترده ای از وظایف ML به کار ببرید. شما درک درستی از الگوریتم‌های تحت نظارت و بدون نظارت رایج، نحوه آماده‌سازی داده‌ها برای آنها و نحوه ارزیابی آنها به دست خواهید آورد. در مرحله بعد، مدل‌هایی را می‌سازید و روابط موجود در داده‌های خود را درک می‌کنید، و همچنین وظایف تمیز کردن و کاوش را با آن داده‌ها انجام می‌دهید. با تمرکز بیشتر روی دقت پیش‌بینی‌های این کتاب، در مطالعه توزیع متغیرها، شناسایی ناهنجاری‌ها و بررسی روابط دو متغیره پیشرفت سریعی خواهید داشت.

توسط در پایان این کتاب، شما قادر خواهید بود با استفاده از الگوریتم‌های ML نظارت نشده مانند تجزیه و تحلیل مؤلفه‌های اصلی و خوشه‌بندی k-means، با مشکلات پیچیده داده‌ها مقابله کنید.

آنچه خواهید آموخت span>

• تکنیک‌های ضروری پاکسازی و اکتشاف داده‌ها را که باید قبل از اجرای محبوب‌ترین الگوریتم‌های یادگیری ماشین استفاده شود، کاوش کنید
• آشنایی با نحوه انجام پیش پردازش و انتخاب ویژگی و نحوه تنظیم داده ها برای آزمایش و اعتبارسنجی
• مدل پیوسته اهداف با الگوریتم های یادگیری نظارت شده
• مدل اهداف باینری و چند کلاسه با الگوریتم های یادگیری نظارت شده
• اجرای خوشه بندی و کاهش ابعاد با الگوریتم های یادگیری بدون نظارت
• آشنایی با نحوه استفاده از درختان رگرسیون برای مدل سازی یک هدف پیوسته

این کتاب برای چه کسانی است

این کتاب برای دانشمندان حرفه ای داده است، به ویژه آنهایی که در چند سال اول کار خود، یا تحلیلگران با تجربه تر که نسبتاً در یادگیری ماشینی تازه کار هستند. خوانندگان باید دانش قبلی در مورد مفاهیم آماری که معمولاً در دوره مقدماتی دوره کارشناسی تدریس می شود و همچنین تجربه سطح مبتدی در دستکاری داده ها به صورت برنامه ای داشته باشند.

فهرست محتوا<. /h4>

1. بررسی توزیع ویژگی‌ها و اهداف
2. بررسی روابط دو متغیره و چند متغیره بین ویژگی‌ها و اهداف
3. شناسایی و رفع مقادیر گمشده
4. رمزگذاری ویژگی های تغییر شکل و مقیاس بندی
5. انتخاب ویژگی
6. آماده سازی برای ارزیابی مدل
7. مدل های رگرسیون خطی
8. پشتیبانی رگرسیون برداری
9. K-نزدیکترین همسایه، درخت تصمیم، جنگل تصادفی و رگرسیون تقویت شده گرادیان

< li>رگرسیون لجستیک

10. درختان تصمیم و طبقه‌بندی تصادفی جنگل

< li>K-نزدیکترین همسایگان برای طبقه بندی

11. طبقه بندی ماشین بردار پشتیبانی
12. طبقه بندی ساده بیز
13. تحلیل مؤلفه اصلی

< li>K-Means و DBSCAN Clustering

---

 

tag : دانلود کتاب پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید , Download پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید , دانلود پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید , Download Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly Book , پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید دانلود , buy پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید , خرید کتاب پاکسازی و کاوش داده ها با یادگیری ماشینی: با تکنیک های یادگیری ماشینی آشنا شوید تا به سرعت به داده های تمیز و درخشان برسید , دانلود کتاب Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly , کتاب Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly , دانلود Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly , خرید Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly , خرید کتاب Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly ,