
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.
یادگیری ماشین را با پایتون در شش گام بیاموزید و از مباحث پایه تا پیشرفته را مرور کنید؛ همه با این هدف که بتوانید به عنوان یک متخصص واقعی کار کنید. رویکرد این کتاب بر پایه نظریه «شش درجه جدایی» است؛ نظریهای که میگوید هر شخص یا هر چیز حداکثر شش گام با دیگری فاصله دارد. کتاب تسلط بر یادگیری ماشین با پایتون در شش گام هر موضوع را در دو بخش ارائه میدهد: مفاهیم نظری و پیادهسازی عملی با بستههای مناسب پایتون. مبانی زبان برنامهنویسی پایتون، تاریخچه و سیر تحول یادگیری ماشین، و چارچوبهای توسعه سیستم را یاد میگیرید. مفاهیم کلیدی دادهکاوی و تحلیل داده مثل کاهش ابعاد ویژگی، رگرسیون و پیشبینی سری زمانی، و پیادهسازی کارآمد آنها در Scikit-learn نیز پوشش داده شده است. در پایان، تکنیکهای پیشرفته متنکاوی، شبکههای عصبی و یادگیری عمیق و پیادهسازی آنها را بررسی میکنید. همه کدهای کتاب به صورت نوتبوکهای iPython در دسترس است تا بتوانید مثالها را امتحان کنید و آنها را برای نیاز خود گسترش دهید.
آنچه یاد میگیرید
* مبانی زبان برنامهنویسی پایتون را بررسی کنید
* تاریخچه و سیر تحول یادگیری ماشین را مرور کنید
* چارچوبهای توسعه سیستم یادگیری ماشین را بشناسید
* تکنیکهای یادگیری نظارتشده، بدون نظارت و تقویتی را با مثال پیادهسازی کنید
* تکنیکهای متنکاوی را از پایه تا پیشرفته بیاموزید
* چارچوبهای مختلف یادگیری عمیق را پیادهسازی کنید
این کتاب برای چه کسانی است
توسعهدهندگان پایتون یا مهندسان داده که میخواهند دانش یا مسیر شغلی خود را به حوزه یادگیری ماشین گسترش دهند. متخصصان یادگیری ماشین که با زبانهایی غیر از پایتون (مثل R، SAS، SPSS، Matlab یا هر زبان دیگر) کار میکنند و میخواهند مهارت پیادهسازی خود را در پایتون تقویت کنند. تازهکاران یادگیری ماشین که میخواهند مباحث پیشرفتهای مثل تنظیم ابرپارامتر، تکنیکهای مختلف انسمبل، پردازش زبان طبیعی (NLP)، یادگیری عمیق و مبانی یادگیری تقویتی را بیاموزند.
Master machine learning with Python in six steps and explore fundamental to advanced topics, all designed to make you a worthy practitioner.This book’s approach is based on the “Six degrees of separation” theory, which states that everyone and everything is a maximum of six steps away. __Mastering Machine Learning with Python in Six Steps__ presents each topic in two parts: theoretical concepts and practical implementation using suitable Python packages.You’ll learn the fundamentals of Python programming language, machine learning history, evolution, and the system development frameworks. Key data mining/analysis concepts, such as feature dimension reduction, regression, time series forecasting and their efficient implementation in Scikit-learn are also covered. Finally, you’ll explore advanced text mining techniques, neural networks and deep learning techniques, and their implementation.All the code presented in the book will be available in the form of iPython notebooks to enable you to try out these examples and extend them to your advantage.**What You'll Learn*** Examine the fundamentals of Python programming language* Review machine Learning history and evolution* Understand machine learning system development frameworks* Implement supervised/unsupervised/reinforcement learning techniques with examples* Explore fundamental to advanced text mining techniques* Implement various deep learning frameworks**Who This Book Is For**Python developers or data engineers looking to expand their knowledge or career into machine learning area.Non-Python (R, SAS, SPSS, Matlab or any other language) machine learning practitioners looking to expand their implementation skills in Python.Novice machine learning practitioners looking to learn advanced topics, such as hyperparameter tuning, various ensemble techniques, natural language processing (NLP), deep learning, and basics of reinforcement learning.