دانلود کتاب Training Systems Using Python Statistical Modeling: Explore popular techniques for modeling your data in Python – سیستم‌های آموزشی با استفاده از مدل‌سازی آماری پایتون: تکنیک‌های رایج برای مدل‌سازی داده‌های خود را در پایتون کاوش کنید

توضیحات

Leverage the power of Python and statistical modeling techniques for building accurate predictive models

Key Features

Book Description

Python’s ease of use and multi-purpose nature has led it to become the choice of tool for many data scientists and machine learning developers today. Its rich libraries are widely used for data analysis, and more importantly, for building state-of-the-art predictive models. This book takes you through an exciting journey, of using these libraries to implement effective statistical models for predictive analytics.

You'll start by diving into classical statistical analysis, where you will learn to compute descriptive statistics using pandas. You will look at supervised learning, where you will explore the principles of machine learning and train different machine learning models from scratch. You will also work with binary prediction models, such as data classification using k-nearest neighbors, decision trees, and random forests. This book also covers algorithms for regression analysis, such as ridge and lasso regression, and their implementation in Python. You will also learn how neural networks can be trained and deployed for more accurate predictions, and which Python libraries can be used to implement them.

By the end of this book, you will have all the knowledge you need to design, build, and deploy enterprise-grade statistical models for machine learning using Python and its rich ecosystem of libraries for predictive analytics.

What you will learn

Who this book is for

If you are a data scientist, a statistician or a machine learning developer looking to train and deploy effective machine learning models using popular statistical techniques, then this book is for you. Knowledge of Python programming is required to get the most out of this book.

————————————————————–

ترجمه ماشینی :

از قدرت پایتون و تکنیک‌های مدل‌سازی آماری برای ساخت مدل‌های پیش‌بینی دقیق استفاده کنید

ویژگی‌های کلیدی

شرح کتاب

سهولت استفاده و ماهیت چند منظوره پایتون باعث شده است که امروزه به ابزاری برای بسیاری از دانشمندان داده و توسعه دهندگان یادگیری ماشین تبدیل شود. کتابخانه های غنی آن به طور گسترده برای تجزیه و تحلیل داده ها، و مهمتر از آن، برای ساخت مدل های پیش بینی پیشرفته استفاده می شود. این کتاب شما را با استفاده از این کتابخانه‌ها برای پیاده‌سازی مدل‌های آماری مؤثر برای تحلیل‌های پیش‌بینی‌کننده، از سفری هیجان‌انگیز می‌برد.

شما با فرو رفتن در تحلیل آماری کلاسیک شروع می‌کنید، جایی که محاسبه آمار توصیفی را با استفاده از آن یاد خواهید گرفت. پانداها شما به یادگیری نظارت شده نگاه خواهید کرد، جایی که اصول یادگیری ماشینی را بررسی می کنید و مدل های مختلف یادگیری ماشین را از ابتدا آموزش می دهید. شما همچنین با مدل‌های پیش‌بینی باینری، مانند طبقه‌بندی داده‌ها با استفاده از k-نزدیک‌ترین همسایه‌ها، درخت‌های تصمیم‌گیری و جنگل‌های تصادفی کار خواهید کرد. این کتاب همچنین الگوریتم هایی برای تحلیل رگرسیون مانند رگرسیون رج و کمند و پیاده سازی آنها در پایتون را پوشش می دهد. همچنین خواهید آموخت که چگونه شبکه های عصبی را می توان برای پیش بینی های دقیق تر آموزش داد و به کار گرفت و از کدام کتابخانه های پایتون می توان برای پیاده سازی آنها استفاده کرد.

در پایان این کتاب، شما تمام دانش خود را خواهید داشت. نیاز به طراحی، ساخت و استقرار مدل‌های آماری درجه سازمانی برای یادگیری ماشینی با استفاده از پایتون و اکوسیستم غنی کتابخانه‌های آن برای تجزیه و تحلیل پیش‌بینی‌کننده دارید.

آنچه خواهید آموخت