
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.
بهرهگیری از مزایای روشهای یادگیری ماشین با پایتون
درباره این کتاب
سیستمهای یادگیری ماشین را با راهبردهای مؤثر بهبود دهید و بهینه کنید. یک برنامه برای برخورد با حجم بزرگی از دادهها تدوین کنید. از کدهای پایتون برای پیادهسازی طیف گستردهای از الگوریتمها و تکنیکهای یادگیری ماشین استفاده میشود.
این کتاب برای چه کسانی است
این عنوان برای دانشمندان داده و پژوهشگرانی نوشته شده است که از قبل در حوزهٔ علم داده فعالیت دارند و میخواهند یادگیری ماشین را در عمل ببینند و کاربردهای دنیای واقعی آن را بررسی کنند. داشتن پیشزمینه در برنامهنویسی پایتون و ریاضیات الزامی است، همراه با آشنایی پایه با مفاهیم یادگیری ماشین.
چیزهایی که یاد خواهید گرفت
- یاد بگیرید کد پایتون تمیز و زیبا بنویسید تا توان الگوریتمهایتان را بهتر کنید.
- با خوشهبندی، الگوها و ساختارهای پنهان موجود در داده را کشف کنید.
- با تکنیکهای قدرتمند مهندسی ویژگیها، دقت و ثبات نتایج را افزایش دهید.
- درک عملی و نظری از الگوریتمهای پیشرفتهٔ یادگیری عمیق به دست آورید.
- با ساخت مدلها، به حل مسئلههای منحصربهفرد بپردازید.
- با فرایند طراحی یادگیری ماشین بیشتر و عمیقتر آشنا شوید.
در جزئیات
یادگیری ماشین و تحلیل پیشبینانه به یکی از راهبردهای کلیدی برای آزاد کردن رشد در بازارهای امروزیِ چالشبرانگیز تبدیل شدهاند. این روند در محاسبات مدرن بسیار سریع رشد میکند و تقریباً همه میخواهند وارد حوزهٔ یادگیری ماشین شوند. برای اینکه در این حوزه به شناخت و اعتبار کافی برسید، باید بتوانید یک سیستم یادگیری ماشین طراحی کنید که نیازهای پروژه را پوشش دهد.
ایده این است که یک مسیر یادگیری آماده کنید تا بتوانید پیچیدگیهای واقعیِ یادگیری ماشین را با تکنیکهای نوآورانه و پیشرفته مدیریت کنید. همچنین این دوره پایهای محکم برای فرایند طراحی یادگیری ماشین به شما میدهد و امکان میکند مدلهای سفارشی یادگیری ماشین بسازید تا مسائل خاص را حل کنید.
این دوره با محکم کردن مبانی پایتون شروع میشود. تمرکزش روی این است که به پرسشهای درست پاسخ بدهید و شما را با طیف وسیعی از کتابخانههای قدرتمند پایتون آشنا کند؛ از جمله scikit-learn، Theano و Keras.
بعد از اینکه با مفاهیم اصلی پایتون آشنا شدید، وقت آن است که وارد حوزهٔ علم داده شوید. در این مرحله، پایهای قوی برای طراحی یادگیری ماشین به دست میآورید و یاد میگیرید مدلها را برای حل مسائل مختلف سفارشی کنید.
در ادامه، سراغ تکنیکهای پیشرفتهتر میروید و مجموعهای گسترده از مهارتهای کاربردی در زمینهٔ انتخاب ویژگیها و مهندسی ویژگیها کسب میکنید.
سبک و رویکرد
این دوره شامل همهٔ منابعی است که کمک میکند با پایتون وارد دنیای علم داده شوید. هدف این است که اجزای پایتون را که شامل کتابخانههای قدرتمند یادگیری ماشین هستند، قدمبهقدم پیش ببرید. در این دوره، مدلهای مهم یادگیری ماشین به شکلی مرحلهای توضیح داده میشوند. هر موضوع با مثالهای کاربردی از دنیای واقعی و با راهنماییهای دقیق توضیح داده میشود.
با این راهنمای جامع، میتوانید تکنیکهای یادگیری ماشین را بررسی کنید.
Leverage benefits of machine learning techniques using PythonAbout This BookImprove and optimise machine learning systems using effective strategies. Develop a strategy to deal with a large amount of data. Use of Python code for implementing a range of machine learning algorithms and techniques. Who This Book Is ForThis title is for data scientist and researchers who are already into the field of data science and want to see machine learning in action and explore its real-world application. Prior knowledge of Python programming and mathematics is must with basic knowledge of machine learning concepts.What You Will LearnLearn to write clean and elegant Python code that will optimize the strength of your algorithms Uncover hidden patterns and structures in data with clustering Improve accuracy and consistency of results using powerful feature engineering techniques Gain practical and theoretical understanding of cutting-edge deep learning algorithms Solve unique tasks by building models Get grips on the machine learning design process In DetailMachine learning and predictive analytics are becoming one of the key strategies for unlocking growth in a challenging contemporary marketplace. It is one of the fastest growing trends in modern computing, and everyone wants to get into the field of machine learning. In order to obtain sufficient recognition in this field, one must be able to understand and design a machine learning system that serves the needs of a project.The idea is to prepare a learning path that will help you to tackle the real-world complexities of modern machine learning with innovative and cutting-edge techniques. Also, it will give you a solid foundation in the machine learning design process, and enable you to build customized machine learning models to solve unique problems.The course begins with getting your Python fundamentals nailed down. It focuses on answering the right questions that cove a wide range of powerful Python libraries, including scikit-learn Theano and Keras.After getting familiar with Python core concepts, it's time to dive into the field of data science. You will further gain a solid foundation on the machine learning design and also learn to customize models for solving problems.At a later stage, you will get a grip on more advanced techniques and acquire a broad set of powerful skills in the area of feature selection and feature engineering.Style and approachThis course includes all the resources that will help you jump into the data science field with Python. The aim is to walk through the elements of Python covering powerful machine learning libraries. This course will explain important machine learning models in a step-by-step manner. Each topic is well explained with real-world applications with detailed guidance.Through this comprehensive guide, you will be able to explore machine learning techniques.