کتاب Machine Learning for Streaming Data with Python

کتاب Machine Learning for Streaming Data with Python (یادگیری ماشینی برای پخش جریانی داده با پایتون: به سرعت راه‌حل‌های یادگیری ماشین آنلاین عملی را با استفاده از River و سایر بهترین چارچوب‌های کلیدی بسازید.) از جدیدترین کتاب‌های یادگیری ماشین جهت استفاده از Data Streaming (پخش جریانی داده) با استفاده از زبان برنامه‌نویسی پایتون است. این کتاب در 12 فصل از مقدمات تا نکات پیشرفته‌ی یادگیری ماشین برای استفاده در پخش جریانی داده را آموزش می‌دهد.

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

مقدمه‌ای بر کتاب Machine Learning for Streaming Data with Python:

داده‌های جریانی، فناوری برتر جدید برای تماشا در زمینه علم داده و یادگیری ماشین است. همانطور که نیازهای کسب و کار بیشتر می‌شود، بسیاری از موارد استفاده به تجزیه و تحلیل بلادرنگ و همچنین یادگیری ماشینی بلادرنگ نیاز دارند. دانلود کتاب Machine Learning for Streaming Data with Python به شما این امکان را می‌دهد که با تجزیه و تحلیل داده‌ها برای پخش داده‌ها سرعت بگیرید و به شدت بر روی تطبیق یادگیری ماشینی و سایر تجزیه و تحلیل‌ها با مورد جریان داده تمرکز دارد.

ابتدا با معماری استریم و یادگیری ماشینی بلادرنگ آشنا خواهید شد. سپس به چارچوب‌های پیشرفته برای جریان داده مانند River نگاه خواهید کرد.

در مورد موارد مختلف استفاده صنعتی برای پخش داده‌ها، مانند تشخیص ناهنجاری آنلاین، خواهید آموخت. سپس، شما عمیقاً به چالش‌ها و چگونگی کاهش آن‌ها خواهید پرداخت. سپس بهترین روش‌هایی را خواهید آموخت که به شما کمک می‌کند از داده‌های جریانی برای ایجاد بینش در زمان واقعی استفاده کنید.

پس از تکمیل کتاب، در مورد استفاده از داده‌های جریانی در مدل‌های یادگیری ماشینی خود مطمئن خواهید بود.

کتاب Machine Learning for Streaming Data with Python برای چه کسی است؟

دانشمندان داده و مهندسان یادگیری ماشینی که مبنایی در یادگیری ماشین دارند، تمرین‌گرا و فن‌آور هستند و می‌خواهند یاد بگیرند که چگونه یادگیری ماشین را در جریان داده‌ها از طریق مثال‌های عملی با فناوری‌های مدرن به کار ببرند، از این کتاب بهره‌مند خواهند شد. شما باید مفاهیم پایه پایتون و یادگیری ماشین را بدانید، اما نیازی به دانش قبلی در مورد استریم ندارید.

آنچه کتاب Machine Learning for Streaming Data with Python پوشش می‌دهد:

فصل 1، مقدمه ای بر داده های جریانی، توضیح می‌دهد که داده های جریانی چیست و چرا با داده های دسته ای متفاوت است. این فصل همچنین چالش‌هایی را که باید با آن‌ها روبرو شویم و همچنین مزایای استفاده از داده‌های جریانی را توضیح می‌دهد.

فصل 2، معماری برای استریمینگ و یادگیری ماشینی در زمان واقعی، معماری‌های مختلفی را که می‌توان برای راه‌اندازی استریم استفاده کرد و نحوه استفاده از آن‌ها توضیح می‌دهد.

فصل 3، تجزیه و تحلیل داده‌ها در جریان داده، تجزیه و تحلیل داده‌ها را در جریان داده‌ها بررسی می‌کند که شامل بینش‌های بی‌درنگ، آمار توصیفی زمان واقعی، تجسم‌های بی‌درنگ و سیستم‌های هشدار اولیه است.

فصل 4، آموزش آنلاین با ریور، مفاهیم اصلی یادگیری آنلاین را پوشش می‌دهد و همچنین شما را با کتابخانه ریور، که بخشی اساسی از استریم است، آشنا می‌کند.

فصل 5، تشخیص ناهنجاری آنلاین، تشخیص ناهنجاری آنلاین را پوشش می‌دهد، چگونگی مفید بودن آن را توضیح می‌دهد، و همچنین یک مورد استفاده ارائه می‌دهد که شامل ساختن برنامه‌ای برای تشخیص ناهنجاری‌ها در جریان داده است.

فصل 6، طبقه‌بندی آنلاین، طبقه‌بندی آنلاین را پوشش می‌دهد، چگونگی مفید بودن آن را توضیح می‌دهد، و همچنین یک مورد استفاده ارائه می‌دهد که شامل ساخت برنامه‌ای برای طبقه‌بندی داده‌های جریانی است.

فصل 7، رگرسیون آنلاین، رگرسیون آنلاین، چگونگی مفید بودن آن را پوشش می‌دهد، و همچنین یک مورد استفاده ارائه می‌دهد که شامل ساختن برنامه‌ای برای تشخیص رگرسیون در جریان داده است.

فصل هشتم، یادگیری تقویتی، شما را با یادگیری تقویتی آشنا می‌کند. ما برخی از الگوریتم‌های کلیدی را بررسی می‌کنیم و همچنین برخی موارد کاربرد آن را با استفاده از پایتون بررسی می‌کنیم.

فصل 9، دریفت و تشخیص رانش، بر کمک به ما در درک انحراف در یادگیری آنلاین و یادگیری نحوه ساخت راه‌حل‌هایی برای تشخیص دریفت تمرکز دارد.

فصل 10، تبدیل ویژگی و مقیاس‌بندی، به ما نشان می‌دهد که چگونه یک خط لوله تبدیل ویژگی بسازیم که با داده‌های هم‌زمان و جریان کار می‌کند.

فصل 11، فراموشی فاجعه‌بار، به بررسی چیستی فراموشی فاجعه‌آمیز می‌پردازد و به ما نشان می‌دهد که چگونه می‌توانیم با استفاده از موارد استفاده مثالی با آن مقابله کنیم.

فصل 12، نتیجه‌گیری و بهترین روش‌ها، به عنوان مروری بر دانلود کتاب Machine Learning for Streaming Data with Python عمل می‌کند و تمام مفاهیمی را که در سراسر کتاب مورد بررسی قرار گرفته‌اند، ترکیب می‌کند تا بتوانیم در صورت نیاز، آن‌ها را بازبینی و بازبینی کنیم.

سرفصل‌های کتاب Machine Learning for Streaming Data with Python:

• Contributors
• About the author
• About the reviewer
• Preface
• Part 1: Introduction and Core Concepts of Streaming Data
  • Chapter 1: An Introduction to Streaming Data
  • Chapter 2: Architectures for Streaming and Real-Time Machine Learning
  • Chapter 3: Data Analysis on Streaming Data
• Part 2: Exploring Use Cases for Data Streaming
  • Chapter 4: Online Learning with River
  • Chapter 5: Online Anomaly Detection
  • Chapter 6: Online Classification
  • Chapter 7: Online Regression
  • Chapter 8: Reinforcement Learning
• Part 3: Advanced Concepts and Best Practices around Streaming Data
  • Chapter 9: Drift and Drift Detection
  • Chapter 10: Feature Transformation and Scaling
  • Chapter 11: Catastrophic Forgetting
  • Chapter 12: Conclusion and Best Practices
• Other Books You May Enjoy

جهت دانلود کتاب Machine Learning for Streaming Data with Python می‌توانید پس از پرداخت، دریافت کنید.