Thoughtful Machine Learning with Python: A Test-Driven Approach

اعتماد به نفس لازم برای به کارگیری یادگیری ماشینی در کار روزانه خود را به دست آورید. با این راهنمای عملی، نویسنده متیو کرک به شما نشان می‌دهد که چگونه الگوریتم‌های یادگیری ماشینی را بدون زیرمتن آکادمیک در کد خود ادغام و آزمایش کنید.

با نمودارها و نمونه‌های کد برجسته در سراسر، این کتاب دارای تست‌هایی با Numpy پایتون است. کتابخانه های علم داده Pandas، Scikit-Learn و SciPy. اگر یک مهندس نرم افزار یا تحلیلگر کسب و کار علاقه مند به علم داده هستید، این کتاب به شما کمک می کند:

• به مثال های دنیای واقعی مراجعه کنید تا هر الگوریتم را از طریق تمرینات جذاب و عملی آزمایش کنید
• توسعه مبتنی بر تست (TDD) را برای نوشتن و اجرای آزمایش‌ها قبل از شروع کدنویسی بکار ببرید
• تکنیک‌های بهبود مدل‌های یادگیری ماشینی خود را با استخراج داده‌ها و توسعه ویژگی‌ها بررسی کنید
• مراقب خطرات یادگیری ماشین باشید، مانند عدم تناسب داده یا بیش از حد برازش داده‌ها
• کار با K-Nearest Neighbors، شبکه‌های عصبی، خوشه‌بندی و سایر الگوریتم‌ها

Gain the confidence you need to apply machine learning in your daily work. With this practical guide, author Matthew Kirk shows you how to integrate and test machine learning algorithms in your code, without the academic subtext.

Featuring graphs and highlighted code examples throughout, the book features tests with Python’s Numpy, Pandas, Scikit-Learn, and SciPy data science libraries. If you’re a software engineer or business analyst interested in data science, this book will help you:

• Reference real-world examples to test each algorithm through engaging, hands-on exercises
• Apply test-driven development (TDD) to write and run tests before you start coding
• Explore techniques for improving your machine-learning models with data extraction and feature development
• Watch out for the risks of machine learning, such as underfitting or overfitting data
• Work with K-Nearest Neighbors, neural networks, clustering, and other algorithms