دانلود کتاب Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
کتاب یادگیری ماشین پایتون: یادگیری ماشین و یادگیری عمیق با Python ، scikit-learn ، و TensorFlow 2 ، نسخه سوم نسخه زبان اصلی
دانلود کتاب یادگیری ماشین پایتون: یادگیری ماشین و یادگیری عمیق با Python ، scikit-learn ، و TensorFlow 2 ، نسخه سوم بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
توضیحاتی در مورد کتاب Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
نام کتاب : Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
ویرایش : Third edition
عنوان ترجمه شده به فارسی : یادگیری ماشین پایتون: یادگیری ماشین و یادگیری عمیق با Python ، scikit-learn ، و TensorFlow 2 ، نسخه سوم
سری :
نویسندگان : Raschka. Sebastian, Mirjalili. Vahid
ناشر : Packt Publishing
سال نشر : 2019
تعداد صفحات : 0
ISBN (شابک) : 9781789955750 , 9781838645359
زبان کتاب : English
فرمت کتاب : mobi درصورت درخواست کاربر به PDF تبدیل می شود
حجم کتاب : 42 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
پیوند به مخزن GitHub حاوی نمونههای کد و مطالب اضافی:https://github.com/rasbt/python-machi...
جدیدترین فناوریهای جدید و
به کاربردهای یادگیری ماشین نسبت داده شود. ما در عصری زندگی میکنیم که دادهها به وفور یافت میشوند و به لطف الگوریتمهای خودآموز از حوزه یادگیری ماشینی، میتوانیم این دادهها را به دانش تبدیل کنیم. تشخیص خودکار گفتار در تلفنهای هوشمند ما، موتورهای جستجوی وب، فیلترهای هرزنامه ایمیل، سیستمهای توصیه خدمات پخش فیلم مورد علاقه ما - یادگیری ماشینی همه چیز را ممکن میسازد.
به لطف بسیاری از کتابخانههای منبع باز قدرتمند که در سالهای اخیر توسعه یافتهاند، یادگیری ماشین اکنون در نوک انگشتان ما قرار دارد. پایتون محیط مناسبی را برای ساختن سیستمهای یادگیری ماشینی بهطور مولد فراهم میکند.
این کتاب اصول یادگیری ماشینی و نحوه استفاده از آنها را در برنامههای دنیای واقعی با استفاده از پایتون به شما آموزش میدهد. گام به گام، مجموعه مهارتهای خود را با بهترین شیوهها برای تبدیل دادههای خام به اطلاعات مفید، توسعه الگوریتمهای یادگیری کارآمد، و ارزیابی نتایج گسترش خواهید داد.
شما دستههای مختلف مسائلی را که یادگیری ماشینی میتواند حل کند و چگونگی طبقهبندی اشیا، پیشبینی نتایج مستمر با تحلیل رگرسیون، و یافتن ساختارهای پنهان در دادهها را کشف کنید. شما سیستم یادگیری ماشین خود را برای تجزیه و تحلیل احساسات خواهید ساخت و در نهایت، یاد خواهید گرفت که چگونه مدل خود را در یک برنامه وب جاسازی کنید تا با جهان به اشتراک بگذارید.
فهرست مطالب :
1. Giving Computers the Ability to Learn from Data
2. Training Simple ML Algorithms for Classification
3. ML Classifiers Using scikit-learn
4. Building Good Training Datasets - Data Preprocessing
5. Compressing Data via Dimensionality Reduction
6. Best Practices for Model Evaluation and Hyperparameter Tuning
7. Combining Different Models for Ensemble Learning
8. Applying ML to Sentiment Analysis
9. Embedding a ML Model into a Web Application
10. Predicting Continuous Target Variables with Regression Analysis
11. Working with Unlabeled Data - Clustering Analysis
12. Implementing Multilayer Artificial Neural Networks
13. Parallelizing Neural Network Training with TensorFlow
14. TensorFlow Mechanics
15. Classifying Images with Deep Convolutional Neural Networks
16. Modeling Sequential Data Using Recurrent Neural Networks
17. GANs for Synthesizing New Data
18. RL for Decision Making in Complex Environments
توضیحاتی در مورد کتاب به زبان اصلی :
Link to the GitHub Repository containing the code examples and additional material:https://github.com/rasbt/python-machi...
Many of the most innovative breakthroughs and exciting new technologies can be attributed to applications of machine learning. We are living in an age where data comes in abundance, and thanks to the self-learning algorithms from the field of machine learning, we can turn this data into knowledge. Automated speech recognition on our smart phones, web search engines, e-mail spam filters, the recommendation systems of our favorite movie streaming services – machine learning makes it all possible.
Thanks to the many powerful open-source libraries that have been developed in recent years, machine learning is now right at our fingertips. Python provides the perfect environment to build machine learning systems productively.
This book will teach you the fundamentals of machine learning and how to utilize these in real-world applications using Python. Step-by-step, you will expand your skill set with the best practices for transforming raw data into useful information, developing learning algorithms efficiently, and evaluating results.
You will discover the different problem categories that machine learning can solve and explore how to classify objects, predict continuous outcomes with regression analysis, and find hidden structures in data via clustering. You will build your own machine learning system for sentiment analysis and finally, learn how to embed your model into a web app to share with the world