Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 5 głosach.
Python: Real World Machine Learning: Take your Python Machine learning skills to the next level
Poznaj wspaniałe funkcje zupełnie nowego JIRA 7 do zarządzania projektami i skutecznej obsługi błędów i problemów z oprogramowaniem
Kluczowe cechy
⬤ Zaktualizowana dla JIRA 7, ta książka obejmuje wszystkie nowe funkcje wprowadzone w JIRA 7 z dedykowanym rozdziałem na temat JIRA Service Desk - jednego z największych nowych dodatków do JIRA.
⬤ Książka ta stanowi solidną podstawę do pracy ze zwinnymi projektami w JIRA zarówno z perspektywy administratora, jak i użytkownika końcowego.
⬤ Naucz się rozwiązywać trudne problemy związane z nauką o danych, budując potężne modele uczenia maszynowego przy użyciu języka Python.
Opis książki
Uczenie maszynowe jest coraz bardziej rozpowszechnione w nowoczesnym świecie opartym na danych. Jest szeroko stosowane w wielu dziedzinach, takich jak wyszukiwarki, robotyka, autonomiczne samochody i wiele innych. Uczenie maszynowe zmienia sposób, w jaki rozumiemy otaczający nas świat i wchodzimy z nim w interakcje.
W pierwszym module, Python Machine Learning Cookbook, dowiesz się, jak wykonywać różne zadania uczenia maszynowego przy użyciu szerokiej gamy algorytmów uczenia maszynowego do rozwiązywania rzeczywistych problemów i używać Pythona do implementacji tych algorytmów.
Drugi moduł, Advanced Machine Learning with Python, został zaprojektowany tak, aby zabrać cię na wycieczkę z przewodnikiem po najistotniejszych i najpotężniejszych technikach uczenia maszynowego, a ty zdobędziesz szeroki zestaw potężnych umiejętności w zakresie selekcji cech i inżynierii cech.
Trzeci moduł na tej ścieżce edukacyjnej, Large Scale Machine Learning with Python, zagłębia się w skalowalne uczenie maszynowe i trzy formy skalowalności. Obejmuje on najskuteczniejsze techniki uczenia maszynowego na platformie map reduce w Hadoop i Spark w Pythonie.
Ta ścieżka szkoleniowa nauczy Cię uczenia maszynowego w języku Python w prawdziwym świecie. Techniki uczenia maszynowego omówione w tej ścieżce szkoleniowej znajdują się w czołówce praktyk komercyjnych.
Ta ścieżka szkoleniowa łączy w sobie jedne z najlepszych, jakie Packt ma do zaoferowania w jednym kompletnym, wyselekcjonowanym pakiecie. Obejmuje ona treści z następujących produktów Packt:
⬤ Python Machine Learning Cookbook autorstwa Prateek Joshi.
⬤ Advanced Machine Learning with Python autorstwa Johna Hearty'ego.
⬤ Large Scale Machine Learning with Python autorstwa Bastiaan Sjardin, Alberto Boschetti, Luca Massaron.
Czego się nauczysz
⬤ Używać modelowania predykcyjnego i stosować je do rozwiązywania rzeczywistych problemów.
⬤ Zrozumienie, jak przeprowadzić segmentację rynku przy użyciu nienadzorowanego uczenia się.
⬤ Zastosuj swoje nowo odkryte umiejętności do rozwiązywania rzeczywistych problemów, dzięki jasno objaśnionemu kodowi dla każdej techniki i testu.
⬤ Konkuruj z najlepszymi analitykami danych, zdobywając praktyczną i teoretyczną wiedzę na temat najnowocześniejszych algorytmów głębokiego uczenia.
⬤ Zwiększ dokładność przewidywania dzięki głębokiemu uczeniu się i skalowalnym technikom obsługi danych.
⬤ Praca z nowoczesnymi technikami uczenia maszynowego na dużą skalę.
⬤ Naucz się używać kodu Pythona do implementacji szeregu algorytmów i technik uczenia maszynowego.
Dla kogo jest ta książka
Ta ścieżka edukacyjna jest przeznaczona dla programistów Pythona, którzy chcą wykorzystać algorytmy uczenia maszynowego do tworzenia rzeczywistych aplikacji. Jest idealna dla profesjonalistów Pythona, którzy chcą pracować z dużymi i złożonymi zbiorami danych oraz programistów i analityków Pythona lub naukowców zajmujących się danymi, którzy chcą uzupełnić swoje dotychczasowe umiejętności, uzyskując dostęp do niektórych z najpotężniejszych najnowszych trendów w nauce o danych. Oczekiwane jest doświadczenie z Pythonem, Jupyter Notebooks i wykonywaniem poleceń z wiersza poleceń wraz z dobrym poziomem wiedzy matematycznej, aby zrozumieć koncepcje. Oczekiwana jest również podstawowa wiedza z zakresu uczenia maszynowego.
