
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
**راهی سادهتر و مؤثرتر برای تحلیل داده و پیشبینی نتایج با پایتون بیاموزید**
کتاب __یادگیری ماشین با پایتون__ نشان میدهد چطور فقط با دو الگوریتم اصلی یادگیری ماشین میتوانید دادهها را با موفقیت تحلیل کنید و آنها را با پایتون بهکار بگیرید. با تمرکز روی دو خانواده الگوریتم که بهخوبی نتایج را پیشبینی میکنند، این کتاب سازوکارهای در حال کار را کامل توضیح میدهد و با مثالهایی که این سازوکار را با کد مشخص و قابل تغییر نشان میدهند، آن را روشن میکند. الگوریتمها با زبانی ساده و بدون ریاضیات پیچیده توضیح داده میشوند و با پایتون پیاده میشوند؛ همراه با راهنمایی درباره انتخاب الگوریتم، آمادهسازی داده، و بهکارگیری مدلهای آموزشدیده در عمل. مجموعهای از تکنیکهای اصلی برنامهنویسی پایتون را یاد میگیرید، روشهای گوناگون ساخت مدلهای پیشبینی، و اینکه چطور عملکرد هر مدل را بسنجید تا مطمئن شوید مدل درست را بهکار میبرید. فصلهای مربوط به رگرسیون خطی جریمهدار و روشهای گروهی عمیقاً وارد هر یک از این الگوریتمها میشوند و میتوانید از کد نمونه کتاب برای ساخت راهحلهای تحلیل داده خودتان استفاده کنید.
الگوریتمهای یادگیری ماشین در قلب تحلیل داده و مصورسازی قرار دارند. در گذشته، این روشها به پیشزمینه عمیقی در ریاضی و آمار نیاز داشتند؛ اغلب همراه با زبان برنامهنویسی تخصصی R. این کتاب نشان میدهد چطور میتوان یادگیری ماشین را با زبان برنامهنویسی پایتون پیاده کرد؛ زبانی که کاربرد گستردهتری دارد و دسترسپذیرتر است.
* با خانوادههای الگوریتم خطی و گروهی، نتایج را پیشبینی کنید
* مدلهای پیشبینی بسازید که طیف گستردهای از مسائل ساده و پیچیده را حل میکنند
* الگوریتمهای اصلی یادگیری ماشین را با پایتون بهکار بگیرید
* مستقیم از کد نمونه برای ساخت راهحلهای سفارشی استفاده کنید
یادگیری ماشین لازم نیست پیچیده و بسیار تخصصی باشد. پایتون این فناوری را برای مخاطبان بسیار بیشتری دسترسپذیر میکند؛ با روشهایی که سادهتر، مؤثر و خوب آزموده شدهاند. کتاب __یادگیری ماشین با پایتون__ نشان میدهد چطور این کار را انجام دهید، بدون اینکه به پیشزمینه گسترده در ریاضی یا آمار نیاز داشته باشید.
**Learn a simpler and more effective way to analyze data and predict outcomes with Python**__Machine Learning in Python__ shows you how to successfully analyze data using only two core machine learning algorithms, and how to apply them using Python. By focusing on two algorithm families that effectively predict outcomes, this book is able to provide full descriptions of the mechanisms at work, and the examples that illustrate the machinery with specific, hackable code. The algorithms are explained in simple terms with no complex math and applied using Python, with guidance on algorithm selection, data preparation, and using the trained models in practice. You will learn a core set of Python programming techniques, various methods of building predictive models, and how to measure the performance of each model to ensure that the right one is used. The chapters on penalized linear regression and ensemble methods dive deep into each of the algorithms, and you can use the sample code in the book to develop your own data analysis solutions.Machine learning algorithms are at the core of data analytics and visualization. In the past, these methods required a deep background in math and statistics, often in combination with the specialized R programming language. This book demonstrates how machine learning can be implemented using the more widely used and accessible Python programming language.* Predict outcomes using linear and ensemble algorithm families* Build predictive models that solve a range of simple and complex problems* Apply core machine learning algorithms using Python* Use sample code directly to build custom solutionsMachine learning doesn't have to be complex and highly specialized. Python makes this technology more accessible to a much wider audience, using methods that are simpler, effective, and well tested. __Machine Learning in Python__ shows you how to do this, without requiring an extensive background in math or statistics.