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.
با روش‌های رایج و استانداردِ یادگیری ماشین در صنعت، تجربه‌ای عملی از برنامه‌نویسی پایتون به دست آورید؛ با استفاده از `pandas`، `scikit-learn` و `XGBoost`.
ویژگی‌های کلیدی
- انتقادی فکر کنید و از داده برای ساختن و آزمودن یک فرضیه استفاده کنید.
- یک مدل مناسبِ یادگیری ماشین انتخاب کنید و آن را روی داده‌تان آموزش دهید.
- بینش‌های مبتنی بر داده را با اطمینان و وضوح ارائه کنید.
توضیح کتاب
اگر داده‌های موجود مثل «نفتِ جدید» باشند، آن‌وقت یادگیری ماشین «مته» است. وقتی شرکت‌ها به حجم روزافزونِ داده‌های خام دسترسی پیدا می‌کنند، توانایی ارائه مدل‌های پیش‌بینی‌گرِ در سطح روز که به تصمیم‌گیری کسب‌وکار کمک می‌کنند، هر روز ارزشمندتر می‌شود.
در این کتاب، شما روی یک پروژه انتها‌به‌انتها کار می‌کنید که بر پایه یک مجموعه‌داده واقعی طراحی شده و به تمرین‌های کاربردیِ کوتاه و قابل‌انجام تقسیم شده است. این کار رویکردی شبیه «مطالعه موردی» ایجاد می‌کند و شرایطی را شبیه آنچه در پروژههای واقعیِ علوم داده تجربه می‌کنید، بازسازی می‌کند.
یاد می‌گیرید چگونه از بسته‌های مهم پایتون، از جمله `pandas`، `Matplotlib` و `scikit-learn` استفاده کنید و قبل از اینکه سراغ برازش، ارزیابی و تنظیم الگوریتم‌ها بروید، فرایند کاوش داده و پردازش داده را به‌خوبی مسلط می‌شوید؛ الگوریتم‌هایی مثل رگرسیون لجستیکِ منظم‌شده و جنگل تصادفی.
این کتاب که اکنون در دومین ویرایش خود منتشر می‌شود، شما را مرحله‌به‌مرحله از فرایند کاوش داده تا ارائه مدل‌های یادگیری ماشین همراهی می‌کند. این نسخه که برای سال ۲۰۲۱ به‌روزرسانی شده، شامل محتوای کاملاً تازه‌ای درباره `XGBoost`، مقادیر `SHAP`، عدالت الگوریتمی و نگرانی‌های اخلاقیِ به‌کارگیری یک مدل در دنیای واقعی است.
در پایان این کتابِ علوم داده، مهارت‌ها، درک و اعتمادبه‌نفس لازم را خواهید داشت تا مدل‌های یادگیری ماشینِ خودتان را بسازید و از داده‌های واقعی بینش به دست بیاورید.
آنچه خواهید آموخت
- بارگذاری، کاوش و پردازش داده با استفاده از بسته پایتون `pandas`
- استفاده از `Matplotlib` برای ساخت تصویرسازی‌های قانع‌کننده و اثرگذار از داده
- پیاده‌سازی مدل‌های یادگیری ماشین پیش‌بینی‌گر با `scikit-learn`
- استفاده از رگرسیون‌های `lasso` و `ridge` برای کاهش بیش‌برازش مدل
- ارزیابی عملکرد مدل‌های جنگل تصادفی و رگرسیون لجستیک
- ارائه بینش‌های کسب‌وکاری با مطرح کردن نتیجه‌گیری‌های روشن، قانع‌کننده
این کتاب مناسب چه کسانی است
`Data Science Projects with Python` ـ ویرایش دوم ـ برای هر کسی است که می‌خواهد با علوم داده و یادگیری ماشین شروع کند. اگر مشتاقید با استفاده از تحلیل داده و مدل‌سازی پیش‌بینی‌گر، بینش‌های کسب‌وکاری تولید کنید و جایگاه شغلی‌تان را جلو ببرید، این کتاب بهترین نقطه برای شروع است.
برای اینکه سریع‌تر مفاهیم پوشش‌داده‌شده را درک کنید، توصیه می‌شود تجربه‌ای پایه در برنامه‌نویسی با پایتون یا یک زبان مشابه داشته باشید...
Gain hands-on experience of Python programming with industry-standard machine learning techniques using pandas, scikit-learn, and XGBoost Key Features Think critically about data and use it to form and test a hypothesis Choose an appropriate machine learning model and train it on your data Communicate data-driven insights with confidence and clarity Book Description If data is the new oil, then machine learning is the drill. As companies gain access to ever-increasing quantities of raw data, the ability to deliver state-of-the-art predictive models that support business decision-making becomes more and more valuable. In this book, you'll work on an end-to-end project based around a realistic data set and split up into bite-sized practical exercises. This creates a case-study approach that simulates the working conditions you'll experience in real-world data science projects. You'll learn how to use key Python packages, including pandas, Matplotlib, and scikit-learn, and master the process of data exploration and data processing, before moving on to fitting, evaluating, and tuning algorithms such as regularized logistic regression and random forest. Now in its second edition, this book will take you through the end-to-end process of exploring data and delivering machine learning models. Updated for 2021, this edition includes brand new content on XGBoost, SHAP values, algorithmic fairness, and the ethical concerns of deploying a model in the real world. By the end of this data science book, you'll have the skills, understanding, and confidence to build your own machine learning models and gain insights from real data. What you will learn Load, explore, and process data using the pandas Python package Use Matplotlib to create compelling data visualizations Implement predictive machine learning models with scikit-learn Use lasso and ridge regression to reduce model overfitting Evaluate random forest and logistic regression model performance Deliver business insights by presenting clear, convincing conclusions Who this book is for Data Science Projects with Python - Second Edition is for anyone who wants to get started with data science and machine learning. If you're keen to advance your career by using data analysis and predictive modeling to generate business insights, then this book is the perfect place to begin. To quickly grasp the concepts covered, it is recommended that you have basic experience of programming with Python or another simila..
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)