ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Large Scale Machine Learning with Python

دانلود کتاب مقیاس بزرگ یادگیری ماشین با پایتون

Large Scale Machine Learning with Python

مشخصات کتاب

Large Scale Machine Learning with Python

ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 1785887211, 9781785887215 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 420 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Large Scale Machine Learning with Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مقیاس بزرگ یادگیری ماشین با پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مقیاس بزرگ یادگیری ماشین با پایتون



با ساخت سریع مدل‌های یادگیری ماشینی قدرتمند و استفاده از برنامه‌های پیش‌بینی در مقیاس بزرگ آشنا شوید

درباره این کتاب

  • طراحی، مهندسی و استقرار راه‌حل‌های یادگیری ماشینی مقیاس‌پذیر با قدرت پایتون
  • برای یادگیری ماشین موثر بر روی چارچوب کاهش نقشه، فرمان Hadoop و Spark را با پایتون بگیرید
  • مدل‌های پیشرفته بسازید و توصیه های شخصی برای انجام یادگیری ماشینی در مقیاس ایجاد کنید

این کتاب برای چه کسی است

این کتاب برای هر کسی است که قصد دارد با مجموعه داده های بزرگ و پیچیده کار کند. آشنایی با مفاهیم پایه پایتون و یادگیری ماشین توصیه می شود. دانش کار در آمار و ریاضیات محاسباتی نیز مفید خواهد بود.

آنچه یاد خواهید گرفت

  • مقیاس پذیرترین الگوریتم های یادگیری ماشین را بکار ببرید
  • با مدرن کار کنید پیشرفته ترین تکنیک های یادگیری ماشینی در مقیاس بزرگ
  • با یادگیری عمیق و تکنیک های مقیاس پذیر مدیریت داده ها دقت پیش بینی را افزایش دهید
  • با ترکیب چارچوب MapReduce با Spark کار خود را بهبود بخشید< /li>
  • ساخت مجموعه های قدرتمند در مقیاس
  • استفاده از جریان های داده برای آموزش مدل های پیش بینی خطی و غیرخطی از مجموعه داده های بسیار بزرگ با استفاده از یک ماشین منفرد

در جزئیات

پروژه های بزرگ یادگیری ماشین پایتون شامل مشکلات جدیدی در ارتباط با معماری ها و طراحی های تخصصی یادگیری ماشین است که بسیاری از دانشمندان داده هنوز نتوانسته اند با آنها مقابله کنند. اما یافتن الگوریتم‌ها و طراحی و ساختن پلتفرم‌هایی که با مجموعه‌های بزرگی از داده‌ها سروکار دارند، یک نیاز رو به رشد است. دانشمندان داده باید پروژه‌های داده‌ای پیچیده را مدیریت و نگهداری کنند، و با افزایش داده‌های بزرگ، تقاضا برای کارایی محاسباتی و الگوریتمی افزایش می‌یابد. یادگیری ماشینی در مقیاس بزرگ با پایتون موج جدیدی از الگوریتم‌های یادگیری ماشین را آشکار می‌کند که نیازهای مقیاس‌پذیری را همراه با دقت پیش‌بینی بالا برآورده می‌کنند.

به یادگیری ماشین مقیاس‌پذیر و سه شکل مقیاس‌پذیری شیرجه بزنید. سرعت الگوریتم هایی را که می توان در رایانه رومیزی استفاده کرد با نکاتی در مورد موازی سازی و تخصیص حافظه افزایش دهید. با الگوریتم‌های جدیدی که به‌طور خاص برای پروژه‌های بزرگ طراحی شده‌اند و می‌توانند فایل‌های بزرگ‌تری را مدیریت کنند، آشنا شوید و درباره یادگیری ماشین در محیط‌های داده‌های بزرگ بیاموزید. همچنین مؤثرترین تکنیک‌های یادگیری ماشین را در چارچوب کاهش نقشه در Hadoop و Spark در Python پوشش خواهیم داد.

سبک و رویکرد

این عنوان کارآمد و کاربردی پر از تکنیک‌ها است. ، نکات و ابزارهایی که برای اطمینان از اجرای سریع و یکپارچه یادگیری ماشین پایتون در مقیاس بزرگ به آنها نیاز دارید.

یادگیری ماشینی در مقیاس بزرگ با مشکلی متفاوت از آنچه در حال حاضر در بازار وجود دارد مقابله می کند. کسانی که با خوشه‌های Hadoop و در محیط‌های فشرده داده کار می‌کنند، اکنون می‌توانند روش‌های مؤثری برای ساختن مدل‌های یادگیری ماشینی قدرتمند از نمونه اولیه تا تولید بیاموزند.

این کتاب به سبکی نوشته شده است که برنامه‌نویسان زبان‌های دیگر (R، Julia، جاوا، Matlab) می توانند دنبال شوند.


توضیحاتی درمورد کتاب به خارجی

Learn to build powerful machine learning models quickly and deploy large-scale predictive applications

About This Book

  • Design, engineer and deploy scalable machine learning solutions with the power of Python
  • Take command of Hadoop and Spark with Python for effective machine learning on a map reduce framework
  • Build state-of-the-art models and develop personalized recommendations to perform machine learning at scale

Who This Book Is For

This book is for anyone who intends to work with large and complex data sets. Familiarity with basic Python and machine learning concepts is recommended. Working knowledge in statistics and computational mathematics would also be helpful.

What You Will Learn

  • Apply the most scalable machine learning algorithms
  • Work with modern state-of-the-art large-scale machine learning techniques
  • Increase predictive accuracy with deep learning and scalable data-handling techniques
  • Improve your work by combining the MapReduce framework with Spark
  • Build powerful ensembles at scale
  • Use data streams to train linear and non-linear predictive models from extremely large datasets using a single machine

In Detail

Large Python machine learning projects involve new problems associated with specialized machine learning architectures and designs that many data scientists have yet to tackle. But finding algorithms and designing and building platforms that deal with large sets of data is a growing need. Data scientists have to manage and maintain increasingly complex data projects, and with the rise of big data comes an increasing demand for computational and algorithmic efficiency. Large Scale Machine Learning with Python uncovers a new wave of machine learning algorithms that meet scalability demands together with a high predictive accuracy.

Dive into scalable machine learning and the three forms of scalability. Speed up algorithms that can be used on a desktop computer with tips on parallelization and memory allocation. Get to grips with new algorithms that are specifically designed for large projects and can handle bigger files, and learn about machine learning in big data environments. We will also cover the most effective machine learning techniques on a map reduce framework in Hadoop and Spark in Python.

Style and Approach

This efficient and practical title is stuffed full of the techniques, tips and tools you need to ensure your large scale Python machine learning runs swiftly and seamlessly.

Large-scale machine learning tackles a different issue to what is currently on the market. Those working with Hadoop clusters and in data intensive environments can now learn effective ways of building powerful machine learning models from prototype to production.

This book is written in a style that programmers from other languages (R, Julia, Java, Matlab) can follow.





نظرات کاربران