توضیحات
Machine learning has become an integral part of many commercial applications and research projects, but this field is not exclusive to large companies with extensive research teams. If you use Python, even as a beginner, this book will teach you practical ways to build your own machine learning solutions. With all the data available today, machine learning applications are limited only by your imagination.
Youll learn the steps necessary to create a successful machine-learning application with Python and the scikit-learn library. Authors Andreas Mller and Sarah Guido focus on the practical aspects of using machine learning algorithms, rather than the math behind them. Familiarity with the NumPy and matplotlib libraries will help you get even more from this book.
With this book, youll learn:
Fundamental concepts and applications of machine learning
Advantages and shortcomings of widely used machine learning algorithms
How to represent data processed by machine learning, including which data aspects to focus on
Advanced methods for model evaluation and parameter tuning
The concept of pipelines for chaining models and encapsulating your workflow
Methods for working with text data, including text-specific processing techniques
Suggestions for improving your machine learning and data science skills
————————————————————–
ترجمه ماشینی :
یادگیری ماشین به بخشی جدایی ناپذیر از بسیاری از برنامه های تجاری و پروژه های تحقیقاتی تبدیل شده است، اما این زمینه منحصر به شرکت های بزرگ با تیم های تحقیقاتی گسترده نیست. اگر حتی به عنوان یک مبتدی از پایتون استفاده می کنید، این کتاب راه های عملی برای ساخت راه حل های یادگیری ماشین خود را به شما آموزش می دهد. با تمام دادههای موجود امروز، برنامههای کاربردی یادگیری ماشین تنها با تخیل شما محدود شدهاند.
شما مراحل لازم برای ایجاد یک برنامه یادگیری ماشینی موفق با پایتون و کتابخانهی یادگیری اسکی را یاد خواهید گرفت. نویسندگان آندریاس میلر و سارا گویدو بر جنبههای عملی استفاده از الگوریتمهای یادگیری ماشین تمرکز میکنند، نه ریاضیات پشت آنها. آشنایی با کتابخانه های NumPy و matplotlib به شما کمک می کند تا از این کتاب بیشتر بهره ببرید.
با این کتاب، یاد خواهید گرفت:
مفاهیم اساسی و کاربردهای یادگیری ماشینی
مزایا و کاستی های الگوریتم های یادگیری ماشینی پرکاربرد< br>نحوه نمایش دادههای پردازش شده توسط یادگیری ماشین، از جمله اینکه روی چه جنبههای داده تمرکز کنیم
روشهای پیشرفته برای ارزیابی مدل و تنظیم پارامتر
مفهوم خطوط لوله برای زنجیرهای کردن مدلها و کپسولهسازی گردش کار شما
روشهای کار با دادههای متنی، از جمله تکنیکهای پردازش متنی خاص
پیشنهاداتی برای بهبود یادگیری ماشین و مهارتهای علم داده
tag : دانلود کتاب مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده , Download مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده , دانلود مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده , Download Introduction to Machine Learning with Python A Guide for Data Scientists Book , مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده دانلود , buy مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده , خرید کتاب مقدمه ای بر یادگیری ماشین با پایتون راهنمای دانشمندان داده , دانلود کتاب Introduction to Machine Learning with Python A Guide for Data Scientists , کتاب Introduction to Machine Learning with Python A Guide for Data Scientists , دانلود Introduction to Machine Learning with Python A Guide for Data Scientists , خرید Introduction to Machine Learning with Python A Guide for Data Scientists , خرید کتاب Introduction to Machine Learning with Python A Guide for Data Scientists ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.