
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.
اعتمادبهنفسی را به دست آورید که برای بهکارگیری یادگیری ماشین در کار روزمرهتان نیاز دارید. متیو کرک در این راهنمای کاربردی نشان میدهد چطور الگوریتمهای یادگیری ماشین را بدون پیچیدگیهای دانشگاهی، در کدتان ادغام و آزمایش کنید.
این کتاب در سراسر متن با نمودارها و نمونههای کد برجستهشده همراه است و تستهایی با کتابخانههای علم دادهٔ پایتون، یعنی Numpy، Pandas، Scikit-Learn و SciPy، ارائه میدهد. اگر مهندس نرمافزار یا تحلیلگر کسبوکار هستید و به علم داده علاقه دارید، این کتاب به شما کمک میکند:
* با مثالهای واقعی و تمرینهای جذاب و عملی، هر الگوریتم را آزمایش کنید
* با توسعهٔ آزمونمحور (TDD) قبل از شروع کدنویسی، تست بنویسید و اجرا کنید
* تکنیکهایی برای بهبود مدلهای یادگیری ماشین از راه استخراج داده و ساخت ویژگیها بیاموزید
* مراقب ریسکهای یادگیری ماشین، مثل کمبرازش یا بیشبرازش داده، باشید
* با الگوریتمهایی مثل K-Nearest Neighbors، شبکههای عصبی، خوشهبندی و موارد دیگر کار کنید
Gain the confidence you need to apply machine learning in your daily work. With this practical guide, author Matthew Kirk shows you how to integrate and test machine learning algorithms in your code, without the academic subtext.Featuring graphs and highlighted code examples throughout, the book features tests with Python’s Numpy, Pandas, Scikit-Learn, and SciPy data science libraries. If you’re a software engineer or business analyst interested in data science, this book will help you:* Reference real-world examples to test each algorithm through engaging, hands-on exercises* Apply test-driven development (TDD) to write and run tests before you start coding* Explore techniques for improving your machine-learning models with data extraction and feature development* Watch out for the risks of machine learning, such as underfitting or overfitting data* Work with K-Nearest Neighbors, neural networks, clustering, and other algorithms