توضیحات
1. Introduction to Scikit-Learn — 2. Classification from Simple Training Sets — 3. Classification from Complex Training Sets — 4. Predictive Modeling through Regression — 5. Scikit-Learn Classifier Tuning from Simple Training Sets — 6. Scikit-Learn Classifier Tuning from Complex Training Sets — 7. Scikit-Learn RegressionTuning — 8. Putting it All Together.;Aspiring data science professionals can learn the Scikit-Learn library along with the fundamentals of machine learning with this book. The book combines the Anaconda Python distribution with the popular Scikit-Learn library to demonstrate a wide range of supervised and unsupervised machine learning algorithms. Care is taken to walk you through the principles of machine learning through clear examples written in Python that you can try out and experiment with at home on your own machine. All applied math and programming skills required to master the content are covered in this book. In-depth knowledge of object-oriented programming is not required as working and complete examples are provided and explained. Coding examples are in-depth and complex when necessary. They are also concise, accurate, and complete, and complement the machine learning concepts introduced. Working the examples helps to build the skills necessary to understand and apply complex machine learning algorithms. Hands-on Scikit-Learn for Machine Learning Applications is an excellent starting point for those pursuing a career in machine learning. Students of this book will learn the fundamentals that are a prerequisite to competency. Readers will be exposed to the Anaconda distribution of Python that is designed specifically for data science professionals, and will build skills in the popular Scikit-Learn library that underlies many machine learning applications in the world of Python. What You’ll Learn Work with simple and complex datasets common to Scikit-Learn Manipulate data into vectors and matrices for algorithmic processing Become familiar with the Anaconda distribution used in data science Apply machine learning with Classifiers, Regressors, and Dimensionality Reduction Tune algorithms and find the best algorithms for each dataset Load data from and save to CSV, JSON, Numpy, and Pandas formats Who This Book Is For The aspiring data scientist yearning to break into machine learning through mastering the underlying fundamentals that are sometimes skipped over in the rush to be productive. Some knowledge of object-oriented programming and very basic applied linear algebra will make learning easier, although anyone can benefit from this book.
————————————————————–
ترجمه ماشینی :
1. مقدمه ای بر Scikit-Learn — 2. طبقه بندی از مجموعه های آموزشی ساده — 3. طبقه بندی از مجموعه های آموزشی پیچیده — 4. مدل سازی پیش بینی از طریق رگرسیون — 5. تنظیم طبقه بندی Scikit-Learn از مجموعه های آموزشی ساده — 6. تنظیم طبقهبندیکننده Scikit-Learn از مجموعههای آموزشی پیچیده — 7. Scikit-Learn RegressionTuning — 8. قرار دادن همه چیز در کنار هم. متخصصان مشتاق علم داده میتوانند کتابخانه Scikit-Learn را همراه با اصول یادگیری ماشینی با این کتاب بیاموزند. این کتاب توزیع Anaconda Python را با کتابخانه محبوب Scikit-Learn ترکیب میکند تا طیف گستردهای از الگوریتمهای یادگیری ماشینی تحت نظارت و بدون نظارت را نشان دهد. دقت می شود که اصول یادگیری ماشینی را از طریق مثال های واضح نوشته شده در پایتون راهنمایی کنیم که می توانید آنها را در خانه روی دستگاه خود امتحان و آزمایش کنید. تمامی مهارت های کاربردی ریاضی و برنامه نویسی مورد نیاز برای تسلط بر مطالب در این کتاب پوشش داده شده است. نیازی به دانش عمیق برنامه نویسی شی گرا نیست زیرا نمونه های کار و کامل ارائه و توضیح داده شده است. نمونه های کدگذاری در صورت لزوم عمیق و پیچیده هستند. آنها همچنین مختصر، دقیق و کامل هستند و مکمل مفاهیم یادگیری ماشینی معرفی شده هستند. کار کردن با مثالها به ایجاد مهارتهای لازم برای درک و بکارگیری الگوریتمهای پیچیده یادگیری ماشین کمک میکند. عملی Scikit-Learn برای برنامه های کاربردی یادگیری ماشین یک نقطه شروع عالی برای کسانی است که به دنبال حرفه ای در یادگیری ماشین هستند. دانش آموزان این کتاب اصولی را که پیش نیاز شایستگی هستند، یاد خواهند گرفت. خوانندگان در معرض توزیع Anaconda پایتون قرار خواهند گرفت که به طور خاص برای متخصصان علوم داده طراحی شده است، و مهارتهایی را در کتابخانه محبوب Scikit-Learn ایجاد خواهند کرد که زیربنای بسیاری از برنامههای یادگیری ماشین در دنیای پایتون است. آنچه یاد خواهید گرفت با مجموعه داده های ساده و پیچیده مشترک در Scikit-Learn کار کنید. داده ها را در بردارها و ماتریس ها برای پردازش الگوریتمی دستکاری کنید. بهترین الگوریتمها برای هر مجموعه داده بارگیری دادهها از فرمتهای CSV، JSON، Numpy، و Pandas و ذخیره آن در قالبهای CSV، JSON، Numpy، و Pandas این کتاب برای چه کسی است. سازنده باشد برخی از دانش برنامه نویسی شی گرا و جبر خطی کاربردی بسیار ابتدایی یادگیری را آسان تر می کند، اگرچه هر کسی می تواند از این کتاب بهره مند شود.
tag : دانلود کتاب Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون , Download Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون , دانلود Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون , Download Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python Book , Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون دانلود , buy Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون , خرید کتاب Scikit-Learn عملی برای برنامه های کاربردی یادگیری ماشین: اصول علم داده با پایتون , دانلود کتاب Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python , کتاب Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python , دانلود Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python , خرید Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python , خرید کتاب Hands-on Scikit-Learn for machine learning applications: data science fundamentals with Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.