Here is the perfect comprehensive guide for readers with basic to intermediate level knowledge of machine learning and deep learning. It introduces tools such as NumPy for numerical processing, Pandas for panel data analysis, Matplotlib for visualization, Scikit-learn for machine learning, and Pytorch for deep learning with Python. It also serves as a long-term reference manual for the practitioners who will find solutions to commonly occurring scenarios. The book is divided into three sections. The first section introduces you to number crunching and data analysis tools using Python with in-depth explanation on environment configuration, data loading, numerical processing, data analysis, and visualizations. The second section covers machine learning basics and Scikit-learn library. It also explains supervised learning, unsupervised learning, implementation, and classification of regression algorithms, and ensemble learning methods in an easy manner with theoretical and practical lessons. The third section explains complex neural network architectures with details on internal working and implementation of convolutional neural networks. The final chapter contains a detailed end-to-end solution with neural networks in Pytorch. After completing Hands-on Machine Learning with Python, you will be able to implement machine learning and neural network solutions and extend them to your advantage. What You’ll Learn Review data structures in NumPy and Pandas Demonstrate machine learning techniques and algorithm Understand supervised learning and unsupervised learning Examine convolutional neural networks and Recurrent neural networks Get acquainted with scikit-learn and PyTorch Predict sequences in recurrent neural networks and long short term memory Who This Book Is For Data scientists, machine learning engineers, and software professionals with basic skills in Python programming.
ترجمه فارسی (ترجمه ماشینی)
در اینجا راهنمای جامع کاملی برای خوانندگان با دانش پایه تا متوسط از یادگیری ماشین و یادگیری عمیق است. ابزارهایی مانند NumPy برای پردازش عددی، Pandas برای تجزیه و تحلیل دادههای پانل، Matplotlib برای تجسم، Scikit-learn برای یادگیری ماشین و Pytorch برای یادگیری عمیق با پایتون معرفی میشود. همچنین به عنوان یک راهنمای مرجع طولانی مدت برای تمرینکنندگانی که راهحلهایی برای سناریوهای رایج پیدا میکنند، عمل میکند. این کتاب به سه بخش تقسیم شده است. بخش اول شما را با ابزارهای خرد کردن اعداد و تجزیه و تحلیل داده ها با استفاده از پایتون همراه با توضیح عمیق در مورد پیکربندی محیط، بارگذاری داده ها، پردازش عددی، تجزیه و تحلیل داده ها و تجسم ها آشنا می کند. بخش دوم اصول یادگیری ماشین و کتابخانه Scikit-learn را پوشش می دهد. همچنین یادگیری نظارت شده، یادگیری بدون نظارت، پیاده سازی و طبقه بندی الگوریتم های رگرسیون و روش های یادگیری گروهی را به روشی آسان با درس های نظری و عملی توضیح می دهد. بخش سوم معماری شبکه های عصبی پیچیده را با جزئیات در مورد کار داخلی و اجرای شبکه های عصبی کانولوشن توضیح می دهد. فصل آخر شامل یک راه حل کامل و کامل با شبکه های عصبی در Pytorch است. پس از تکمیل یادگیری ماشینی دستی با پایتون، میتوانید راهحلهای یادگیری ماشین و شبکههای عصبی را پیادهسازی کنید و آنها را به نفع خود گسترش دهید. آنچه خواهید آموخت بررسی ساختارهای داده در NumPy و Pandas نشان دادن تکنیک ها و الگوریتم های یادگیری ماشینی درک یادگیری نظارت شده و یادگیری بدون نظارت بررسی شبکه های عصبی کانولوشن و شبکه های عصبی تکراری با scikit-learn و PyTorch پیش بینی دنباله ها در شبکه های عصبی کوتاه مدت مکرر و طولانی مدت آشنا شوید. حافظه این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و متخصصان نرم افزار با مهارت های اولیه در برنامه نویسی پایتون است.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.