توضیحات
This practical guide provides nearly 200 self-contained recipes to help you solve machine learning challenges you may encounter in your daily work. If youre comfortable with Python and its libraries, including pandas and scikit-learn, youll be able to address specific problems such as loading data, handling text or numerical data, model selection, and dimensionality reduction and many other topics.
Each recipe includes code that you can copy and paste into a toy dataset to ensure that it actually works. From there, you can insert, combine, or adapt the code to help construct your application. Recipes also include a discussion that explains the solution and provides meaningful context. This cookbook takes you beyond theory and concepts by providing the nuts and bolts you need to construct working machine learning applications.
Youll find recipes for:
Vectors, matrices, and arrays
Handling numerical and categorical data, text, images, and dates and times
Dimensionality reduction using feature extraction or feature selection
Model evaluation and selection
Linear and logical regression, trees and forests, and k-nearest neighbors
Support vector machines (SVM), nave Bayes, clustering, and neural networks
Saving and loading trained models
Who This Book Is For
This book is not an introduction to machine learning. If you are not comfortable with the basic concepts of machine learning or have never spent time learning machine learning, do not buy this book. Instead, this book is for the machine learning practitioner who, while comfortable with the theory and concepts of machine learning, would benefit from a quick reference containing code to solve challenges he runs into working on machine learning on an everyday basis.
This book assumes the reader is comfortable with the Python programming language and package management.
Who This Book Is Not For
As stated previously, this book is not an introduction to machine learning. This book should not be your first. If you are unfamiliar with concepts like cross-validation, random forest, and gradient descent, you will likely not benefit from this book as much as one of the many high-quality texts specifically designed to introduce you to the topic. I recommend reading one of those books and then coming back to this book to learn working, practical solutions for machine learning.
————————————————————–
ترجمه ماشینی :
این راهنمای عملی نزدیک به 200 دستور العمل مستقل ارائه می دهد تا به شما کمک کند چالش های یادگیری ماشینی را که ممکن است در کار روزانه خود با آنها روبرو شوید حل کنید. اگر با پایتون و کتابخانههای آن، از جمله پانداها و Sicit-Learn راحت هستید، میتوانید به مشکلات خاصی مانند بارگیری دادهها، مدیریت متن یا دادههای عددی، انتخاب مدل، و کاهش ابعاد و بسیاری موضوعات دیگر رسیدگی کنید. هر دستور غذا شامل کدی است که می توانید آن را کپی و در مجموعه داده اسباب بازی جایگذاری کنید تا مطمئن شوید که واقعا کار می کند. از آنجا، می توانید کد را وارد کنید، ترکیب کنید، یا تطبیق دهید تا به ساخت برنامه خود کمک کند. دستور العمل ها همچنین شامل بحثی است که راه حل را توضیح می دهد و زمینه معناداری را ارائه می دهد. این کتاب آشپزی با ارائه مهرهها و پیچهایی که برای ساخت برنامههای یادگیری ماشینی کار نیاز دارید، شما را فراتر از نظریه و مفاهیم میبرد. \ دستور العملهایی برای: بردارها، ماتریسها و آرایهها مدیریت دادههای عددی و طبقهبندی، متن، تصاویر و تاریخها و زمانها کاهش ابعاد با استفاده از استخراج ویژگی یا انتخاب ویژگی ارزیابی و انتخاب مدل رگرسیون خطی و منطقی، درختان و جنگلها و k-نزدیکترین همسایگان پشتیبان ماشینهای بردار (SVM)، ناو بیز، خوشهبندی و شبکههای عصبی ذخیره و بارگذاری مدلهای آموزشدیده این کتاب برای چه کسی است این کتاب مقدمهای برای یادگیری ماشین نیست. اگر با مفاهیم اولیه یادگیری ماشین راحت نیستید یا هرگز زمانی را صرف یادگیری ماشین نکرده اید، این کتاب را نخرید. درعوض، این کتاب برای تمرینکنندههای یادگیری ماشینی است که در عین اینکه با نظریه و مفاهیم یادگیری ماشین راحت هستند، از یک مرجع سریع حاوی کد برای حل چالشهایی که به طور روزمره با یادگیری ماشین مواجه میشوند، بهره میبرند. این کتاب فرض می کند که خواننده با زبان برنامه نویسی پایتون و مدیریت بسته راحت است. این کتاب برای چه کسانی نیست همانطور که قبلاً گفته شد، این کتاب مقدمه ای برای یادگیری ماشین نیست. این کتاب نباید اولین کتاب شما باشد. اگر با مفاهیمی مانند اعتبار سنجی متقاطع، جنگل تصادفی، و فرود گرادیان آشنا نیستید، احتمالاً از این کتاب به اندازه یکی از متون با کیفیت بالا که به طور خاص برای معرفی شما با موضوع طراحی شده است، بهره نخواهید برد. توصیه میکنم یکی از آن کتابها را بخوانید و سپس به این کتاب برگردید تا راهحلهای کاربردی و کاربردی برای یادگیری ماشین را یاد بگیرید.
tag : دانلود کتاب یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) , Download یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) , دانلود یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) , Download Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) Book , یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) دانلود , buy یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) , خرید کتاب یادگیری ماشین با کتاب آشپزی پایتون: راه حل های عملی از پیش پردازش تا یادگیری عمیق (ویرایش دوم، نسخه 5) , دانلود کتاب Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) , کتاب Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) , دانلود Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) , خرید Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) , خرید کتاب Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (2nd Ed, Release 5) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.