Machine Learning Algorithms From Scratch With Python

تاریخ: ۲۲:۱۱:۵۳ ۱۳۹۹/۸/۱۹ دوشنبه
توسط: MotoMan
امتیاز: ۱
تعداد بازدید: ۴۵۴
دیدگاه ها: ۰
کتاب Machine Learning Algorithms From Scratch With Python
Machine Learning Mastery
Jason Brownlee
2018
237
English

الگوریتم‌های یادگیری ماشین، ریاضیات و تئوری‌های زیادی در پشت صحنه دارند؛ اما نیازی نیست که بدانید الگوریتم‌ها چگونه کار می‌کنند تا بتوانید آنها را پیاده سازی و برای دستیابی به نتایج واقعی و ارزشمند از آنها استفاده کنید. از منظر کاربردی، یادگیری ماشین زمینه ای کم عمق است و یک توسعه دهنده با انگیزه می‌تواند به سرعت آن را انتخاب کند و مشارکت‌های واقعی و تأثیرگذاری را شروع کند. این هدف من برای شماست و این کتاب بلیط شما برای رسیدن به نتیجه است.

کتاب Machine Learning Algorithms From Scratch With Python، راهنمای شما برای یادگیری جزئیات الگوریتم‌های یادگیری ماشین از طریق پیاده سازی آنها از صفر با زبان پایتون است. شما نحوه بارگذاری داده ها، ارزیابی مدل‌ها و پیاده سازی مجموعه ای از الگوریتم‌های برتر یادگیری ماشین را با استفاده از آموزش‌های گام به گام و نمونه کد‌های پایتون خالص و ساده (بدون کتابخانه!) بررسی خواهید کرد.


مطالبی که در کتاب «الگوریتم‌های یادگیری ماشین از صفر با پایتون» خواهید آموخت:

  • نحوه بارگیری فایل‌های CSV و آماده سازی داده‌ها برای مدل سازی.
  • نحوه انتخاب معیارهای ارزیابی الگوریتم و تکنیک‌های نمونه گیری مجدد برای مهار آزمون.
  • نحوه توسعه یک انتظار پایه از عملکرد برای مسئله ای مشخص.
  • نحوه پیاده سازی و بکارگیری مجموعه ای از الگوریتم‌های یادگیری ماشین خطی.
  • نحوه پیاده سازی و بکارگیری مجموعه ای از الگوریتم‌های پیشرفته یادگیری ماشین غیر خطی.
  • نحوه پیاده سازی و استفاده از الگوریتم‌های یادگیری ماشین گروهی برای بهبود عملکرد.
  • آگاهی از نحوه کار داخلی الگوریتم‌های برتر یادگیری ماشین.
  • آگاهی از چگونگی تنظیم بهتر الگوریتم‌های یادگیری ماشین برای حداکثر بهره مندی از آن ها.
  • آگاهی از تصمیمات خرد بیشماری که یک کتابخانه یادگیری ماشین، در عمل از شما پنهان کرده است.
  • آگاهی از نحوه شروع به توسعه پیاده سازی‌های الگوریتم یادگیری ماشین سفارشی خودتان.

   

Table of Contents:
- I Data Preparation
- Chapter 1: Load Data From CSV
- Chapter 2: Scale Machine Learning Data
- Chapter 3: Algorithm Evaluation Methods
- Chapter 4: Evaluation Metrics
- Chapter 5: Baseline Models
- II Linear Algorithms
- Chapter 6: Algorithm Test Harnesses
- Chapter 7: Simple Linear Regression
- Chapter 8: Multivariate Linear Regression
- Chapter 9: Logistic Regression
- Chapter 10: Perceptron
- III Nonlinear Algorithms
- Chapter 11: Classification and Regression Trees
- Chapter 12: Naive Bayes
- Chapter 13: k-Nearest Neighbors
- Chapter 14: Learning Vector Quantization
- Chapter 15: Backpropagation
- IV Ensemble Algorithms
- Chapter 16: Bootstrap Aggregation
- Chapter 17: Random Forest
- Chapter 18: Stacked Generalization
- V Conclusions
- Chapter 19: How Far You Have Come
- Chapter 20: Getting More Help
- VI Appendix
- Appendix A: Standard Datasets
- Appendix B: Python Crash Course
like می پسندم
dislike به درد نمی خوره
مطالب مشابه
دیدگاه ها
  • اولین نفری باشید که نظری می دهید!
loading...

لطفا منتظر بمانید...