Product details
- Publisher : Packt Publishing (December 12, 2019)
- Language : English
- Paperback : 770 pages
- ISBN-10 : 1789955750
- ISBN-13 : 978-1789955750
جلد معمولی سیاه و سفید_کتاب Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
Applied machine learning with a solid foundation in theory. Revised and expanded for TensorFlow 2, GANs, and reinforcement learning.
Key Features
- Third edition of the bestselling, widely acclaimed Python machine learning book
- Clear and intuitive explanations take you deep into the theory and practice of Python machine learning
- Fully updated and expanded to cover TensorFlow 2, Generative Adversarial Network models, reinforcement learning, and best practices
Book Description
Python Machine Learning, Third Edition is a comprehensive guide to machine learning and deep learning with Python. It acts as both a step-by-step tutorial, and a reference you'll keep coming back to as you build your machine learning systems.
Packed with clear explanations, visualizations, and working examples, the book covers all the essential machine learning techniques in depth. While some books teach you only to follow instructions, with this machine learning book, Raschka and Mirjalili teach the principles behind machine learning, allowing you to build models and applications for yourself.
Updated for TensorFlow 2.0, this new third edition introduces readers to its new Keras API features, as well as the latest additions to scikit-learn. It's also expanded to cover cutting-edge reinforcement learning techniques based on deep learning, as well as an introduction to GANs. Finally, this book also explores a subfield of natural language processing (NLP) called sentiment analysis, helping you learn how to use machine learning algorithms to classify documents.
This book is your companion to machine learning with Python, whether you're a Python developer new to machine learning or want to deepen your knowledge of the latest developments.
What you will learn
- Master the frameworks, models, and techniques that enable machines to 'learn' from data
- Use scikit-learn for machine learning and TensorFlow for deep learning
- Apply machine learning to image classification, sentiment analysis, intelligent web applications, and more
- Build and train neural networks, GANs, and other models
- Discover best practices for evaluating and tuning models
- Predict continuous target outcomes using regression analysis
- Dig deeper into textual and social media data using sentiment analysis
Who This Book Is For
If you know some Python and you want to use machine learning and deep learning, pick up this book. Whether you want to start from scratch or extend your machine learning knowledge, this is an essential resource. Written for developers and data scientists who want to create practical machine learning and deep learning code, this book is ideal for anyone who wants to teach computers how to learn from data.
Table of Contents
- Giving Computers the Ability to Learn from Data
- Training Simple ML Algorithms for Classification
- ML Classifiers Using scikit-learn
- Building Good Training Datasets - Data Preprocessing
- Compressing Data via Dimensionality Reduction
- Best Practices for Model Evaluation and Hyperparameter Tuning
- Combining Different Models for Ensemble Learning
- Applying ML to Sentiment Analysis
- Embedding a ML Model into a Web Application
- Predicting Continuous Target Variables with Regression Analysis
- Working with Unlabeled Data - Clustering Analysis
- Implementing Multilayer Artificial Neural Networks
- Parallelizing Neural Network Training with TensorFlow
- TensorFlow Mechanics
- Classifying Images with Deep Convolutional Neural Networks
- Modeling Sequential Data Using Recurrent Neural Networks
- GANs for Synthesizing New Data
- RL for Decision Making in Complex Environments
منابع کتاب جلد معمولی سیاه و سفید_کتاب Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
یادگیری ماشین کاربردی با یک پایه محکم در تئوری. برای TensorFlow 2، GAN ها و یادگیری تقویتی تجدید نظر و گسترش یافته است.
ویژگی های کلیدی
- سومین نسخه از پرفروش ترین کتاب یادگیری ماشین پایتون که بسیار تحسین شده است
- توضیحات واضح و شهودی شما را عمیقاً به تئوری و عمل یادگیری ماشین پایتون می برد
- به طور کامل به روز شده و گسترش یافته است تا TensorFlow 2، مدل های شبکه متخاصم مولد، یادگیری تقویتی و بهترین شیوه ها را پوشش دهد.
توضیحات کتاب
آموزش ماشین پایتون، نسخه سوم یک راهنمای جامع برای یادگیری ماشین و یادگیری عمیق با پایتون است. این هم به عنوان یک آموزش گام به گام عمل می کند و هم به عنوان مرجعی که در هنگام ساختن سیستم های یادگیری ماشینی خود به آن مراجعه خواهید کرد.
این کتاب با توضیحات روشن، تجسمها و مثالهای کاری، تمام تکنیکهای یادگیری ماشین ضروری را به طور عمیق پوشش میدهد. در حالی که برخی از کتاب ها به شما آموزش می دهند که فقط دستورالعمل ها را دنبال کنید، با این کتاب یادگیری ماشینی، Raschka و Mirjalili اصول یادگیری ماشین را آموزش می دهند و به شما امکان می دهند مدل ها و برنامه هایی را برای خود بسازید.
این نسخه سوم جدید که برای TensorFlow 2.0 بهروزرسانی شده است، خوانندگان را با ویژگیهای جدید Keras API خود و همچنین جدیدترین موارد اضافه شده به یادگیری scikit آشنا میکند. همچنین گسترش یافته است تا تکنیک های یادگیری تقویتی پیشرفته را بر اساس یادگیری عمیق و همچنین مقدمه ای بر GAN ها پوشش دهد. در نهایت، این کتاب همچنین یک حوزه فرعی از پردازش زبان طبیعی (NLP) به نام تحلیل احساسات را بررسی میکند و به شما کمک میکند یاد بگیرید چگونه از الگوریتمهای یادگیری ماشینی برای طبقهبندی اسناد استفاده کنید.
این کتاب همراه شما برای یادگیری ماشینی با پایتون است، خواه توسعهدهنده پایتون باشید و یا بخواهید دانش خود را در مورد آخرین پیشرفتها بیشتر کنید.
آنچه خواهید آموخت
- بر چارچوبها، مدلها و تکنیکهایی تسلط پیدا کنید که ماشینها را قادر میسازد از دادهها «یاد بگیرند».
- از scikit-learn برای یادگیری ماشین و از TensorFlow برای یادگیری عمیق استفاده کنید
- از یادگیری ماشینی برای طبقه بندی تصاویر، تجزیه و تحلیل احساسات، برنامه های کاربردی وب هوشمند و موارد دیگر استفاده کنید
- ساخت و آموزش شبکه های عصبی، GAN ها و مدل های دیگر
- بهترین روش ها را برای ارزیابی و تنظیم مدل ها کشف کنید
- پیش بینی نتایج هدف مستمر با استفاده از تحلیل رگرسیون
- با استفاده از تجزیه و تحلیل احساسات، داده های متنی و رسانه های اجتماعی را عمیق تر کنید
این کتاب برای چه کسی است
اگر پایتون میشناسید و میخواهید از یادگیری ماشینی و یادگیری عمیق استفاده کنید، این کتاب را انتخاب کنید. چه بخواهید از صفر شروع کنید یا دانش یادگیری ماشین خود را گسترش دهید، این یک منبع ضروری است. این کتاب برای توسعه دهندگان و دانشمندان داده که می خواهند یادگیری ماشینی عملی و کدهای یادگیری عمیق ایجاد کنند، نوشته شده است، این کتاب برای هر کسی که می خواهد به رایانه ها یاد دهد چگونه از داده ها یاد بگیرد ایده آل است.
فهرست مطالب
- دادن توانایی یادگیری از داده ها به رایانه ها
- آموزش الگوریتم های ساده ML برای طبقه بندی
- طبقه بندی کننده های ML با استفاده از scikit-learn
- ایجاد مجموعه داده های آموزشی خوب - پیش پردازش داده ها
- فشرده سازی داده ها از طریق کاهش ابعاد
- بهترین روش ها برای ارزیابی مدل و تنظیم فراپارامتر
- ترکیب مدل های مختلف برای یادگیری گروهی
- استفاده از ML در تحلیل احساسات
- جاسازی یک مدل ML در یک برنامه وب
- پیش بینی متغیرهای هدف پیوسته با تحلیل رگرسیون
- کار با داده های بدون برچسب - تجزیه و تحلیل خوشه ای
- پیاده سازی شبکه های عصبی مصنوعی چند لایه
- آموزش شبکه عصبی موازی با TensorFlow
- مکانیک جریان تنسور
- طبقه بندی تصاویر با شبکه های عصبی کانولوشنال عمیق
- مدل سازی داده های متوالی با استفاده از شبکه های عصبی مکرر
- GAN ها برای سنتز داده های جدید
- RL برای تصمیم گیری در محیط های پیچیده
ارسال نظر درباره جلد معمولی سیاه و سفید_کتاب Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition