کتاب Machine Learning with Python Cookbook

توضیحات

کتاب Machine Learning with Python Cookbook (یادگیری ماشین با کتاب راهنمای پایتون: راه حل‌های عملی از پیش پردازش تا یادگیری عمیق، ویرایش دوم) مفاهیم مهم علم Machine Learning یا یادگیری ماشین را با استفاده از زبان برنامه‌نویسی پایتون آموزش خواهد داد.

در ادامه مقدمه‌ای از کتاب Machine Learning with Python Cookbook را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning with Python Cookbook:

هنگامی که اولین نسخه این کتاب در سال 2018 منتشر شد، شکاف مهمی را در ثروت رو به رشد محتوای یادگیری ماشین (ML) پر کرد. با ارائه دستور العمل‌های پایتون آزمایش‌شده و عملی، به پزشکان این امکان را می‌دهد که کد را قبل از تطبیق آسان با موارد استفاده خود کپی و جای‌گذاری کنند. در پنج سال کوتاه، فضای ML با پیشرفت‌های یادگیری عمیق (DL) و چارچوب‌های DL Python مرتبط به انفجار ادامه داد.

اکنون، در سال 2023، نیاز به همان نوع محتوای عملی وجود دارد که با آخرین کتابخانه‌های پایتون به نیازهای پزشکان ML و DL پاسخ می‌دهد. این کتاب در نظر دارد بر اساس کارهای موجود (و خارق‌العاده) که توسط نویسنده چاپ اول توسط:

• به روز رسانی نمونه‌های موجود برای استفاده از آخرین نسخه‌ها و چارچوب‌های پایتون
• ترکیب شیوه‌های مدرن در منابع داده، تجزیه و تحلیل داده‌ها، ML و DL
• گسترش محتوای DL برای شامل تانسورها، شبکه‌های عصبی و DL برای متن و دید در PyTorch
• با ارائه مدل‌هایمان در یک API، یک قدم جلوتر می‌رویم

مانند نسخه اول، این کتاب یک رویکرد مبتنی بر وظیفه به یادگیری ماشین دارد، و دارای بیش از 200 راه حل مستقل (کپی، چسباندن و اجرا) برای رایج ترین وظایفی است که یک دانشمند داده یا مهندس یادگیری ماشینی که یک مدل را می‌سازد.

سرفصل‌های کتاب Machine Learning with Python Cookbook:

• Preface
• 1. Working with Vectors, Matrices, and Arrays in NumPy
• 2. Loading Data
• 3. Data Wrangling
• 4. Handling Numerical Data
• 5. Handling Categorical Data
• 6. Handling Text
• 7. Handling Dates and Times
• 8. Handling Images
• 9. Dimensionality Reduction Using Feature Extraction
• 10. Dimensionality Reduction Using Feature Selection
• 11. Model Evaluation
• 12. Model Selection
• 13. Linear Regression
• 14. Trees and Forests
• 15. K-Nearest Neighbors
• 16. Logistic Regression
• 17. Support Vector Machines
• 18. Naive Bayes
• 19. Clustering
• 20. Tensors with PyTorch
• 21. Neural Networks
• 22. Neural Networks for Unstructured Data
• 23. Saving, Loading, and Serving Trained Models
• Index

جهت دانلود کتاب Machine Learning with Python Cookbook می‌توانید پس از پرداخت، دریافت کنید.