یادگیری ماشین را به کمک مجموعه ای از کتابخانه‌های پایتون فرا بگیرید و سیستم‌های یادگیری خودتان را بر مبنای پایتون بنویسید

دربرگیرنده‌ی طبقه بندی،رگراسیون، مهندسی ویژگی‌ها و بسیاری مثال عملی دیگر
آموزش هایی مبتنی بر سناریو تا آموزنده‌ی ماشین، درک درستی پیدا کرده و با موفقیت آن را پیاده سازی کند.

این کتاب برای برنامه نویسان پایتون میباشد که قصد یادگیری و فعالیت در زمینه‌ی یادگیری ماشین دارند.از خواننده‌ها انتظار میرود تا نحوه‌ی نصب پایتون و اجرای کتابخانه‌های متن باز را داشته باشند و انتظار بلد بودن یادگیری ماشین از آن‌ها نمیرود، با اینحال این کتاب میتواند برای آشنایی با کتابخانه‌های پایتون برای کسانی که یادگیری ماشین بلد هستند نیز استفاده شود. در این کتاب بر جزییات ریاضی پس زمینه‌ی الگوریتم‌ها بحث نمیشود.

Table of Contents

1: GETTING STARTED WITH PYTHON MACHINE LEARNING

2: LEARNING HOW TO CLASSIFY WITH REAL-WORLD EXAMPLES

3: CLUSTERING – FINDING RELATED POSTS

4: TOPIC MODELING

5: CLASSIFICATION – DETECTING POOR ANSWERS

6: CLASSIFICATION II – SENTIMENT ANALYSIS

7: REGRESSION – RECOMMENDATIONS

8: REGRESSION – RECOMMENDATIONS IMPROVED

9: CLASSIFICATION III – MUSIC GENRE CLASSIFICATION

10: COMPUTER VISION – PATTERN RECOGNITION

11: DIMENSIONALITY REDUCTION

12: BIG(GER) DATA