توسط Tableau به عنوان اولین کتاب “7 کتاب در مورد یادگیری ماشین برای مبتدیان” ارائه شده است.
قبل از شروع سفر ، برخی از نظریه ها و اصول آماری سطح بالا وجود دارد که ابتدا باید آنها را ببافید.
با این حال ، شاید بخواهید ابتدا این کتاب را بخوانید ، به جای اینکه 30 تا 50 دلار دلار برای یک کتاب درسی ضخیم هزینه کنید. این کتاب به عنوان یک گزینه واضح و روشن ، مقدمه ای در سطح بالا در مورد یادگیری ماشین ، تمرینات کد بارگیری رایگان و نمایش های ویدئویی را ارائه می دهد. یادگیری ماشینی برای مبتدیان مطلق نسخه سوم برای مبتدیان مطلق نوشته شده و طراحی شده است.
این به معنای توضیحات ساده انگلیسی است و هیچ تجربه کدگذاری لازم نیست. در جایی که الگوریتم های اصلی معرفی می شوند ، توضیحات واضح و مثالهای تصویری برای پیگیری در خانه آسان می شود.
نسخه جدید به روز شده
این نسخه جدید همچنین دارای فصل های طولانی همراه با آزمونها ، آموزش های مکمل ویدئویی رایگان آنلاین برای مدل های کدنویسی در پایتون و منابع قابل بارگیری است که در نسخه دوم وجود ندارد. خوانندگان نسخه دوم نباید خود را مجبور به خرید این نسخه سوم بدانند.
سلب مسئولیت: اگر در مرحله یادگیری ماشینی مرحله “مبتدی” را گذرانده اید و آماده مقابله با برنامه نویسی و یادگیری عمیق هستید ، با یک کتاب درسی طولانی از خدمات خوبی برخوردار خواهید شد. اگر هنوز هنوز به آن لحظه شیر شاه نرسیده اید – به عنوان سیمبا کاملاً بزرگ شده و سرزمین های غرور آفریقا را نگاه می کنید – این کتاب کتابی است که به آرامی شما را بلند می کند و زمینی واضح می دهد.
در این راهنمای گام به گام خواهید آموخت
• نحوه بارگیری مجموعه داده های رایگان
• به چه ابزارها و کتابخانه های یادگیری ماشین نیاز دارید
• تکنیک های شستشوی داده ها ، از جمله رمزگذاری داغ ، باینینگ و مقابله با داده های از دست رفته
• آماده سازی داده ها برای تجزیه و تحلیل ، از جمله اعتبار سنجی k برابر
• تجزیه و تحلیل رگرسیون برای ایجاد خطوط روند
k-به معنی خوشه بندی برای یافتن روابط جدید است
• اصول شبکه های عصبی
• تعصب / واریانس برای بهبود حالت یادگیری ماشین
• درختان تصمیم برای رمزگشایی طبقه بندی ، و
• چگونه می توان اولین مدل یادگیری ماشین خود را برای پیش بینی مقادیر خانه با استفاده از پایتون ساخت
سوالات متداول
س: آیا برای تکمیل این کتاب الکترونیکی به تجربه برنامه نویسی نیاز دارم؟
پاسخ: این کتاب الکترونیکی برای مبتدیان مطلق طراحی شده است ، بنابراین هیچ تجربه برنامه نویسی مورد نیاز نیست. با این حال ، دو فصل بعدی پایتون را برای نشان دادن یک مدل یادگیری ماشین واقعی معرفی می کند ، بنابراین برخی از برنامه نویسی های مورد استفاده در این کتاب را مشاهده خواهید کرد.
س: من قبلاً نسخه دوم آموزش ماشین را برای مبتدیان مطلق خریداری کرده ام ، آیا باید این نسخه سوم را خریداری کنم؟
پاسخ: همانطور که در ویرایش سوم به همین مباحث مربوط به نسخه دوم پرداخته شده است ، ممکن است بهتر بخوانید عنوان پیشرفته تری را در مورد یادگیری ماشین بخوانید. اگر نسخه قبلی این کتاب را خریداری کرده اید و می خواهید به آموزشهای رایگان ویدئویی دسترسی پیدا کنید ، لطفاً نویسنده را از طریق ایمیل ارسال کنید.
س: آیا این کتاب شامل همه مواردی است که من برای تبدیل شدن به یک متخصص یادگیری ماشین نیاز دارم؟
پاسخ: متأسفانه ، نه این کتاب برای خوانندگانی طراحی شده است که اولین قدم های خود را در یادگیری ماشین برمی دارند و یادگیری بیشتر فراتر از این کتاب برای تسلط بر یادگیری ماشین مورد نیاز است.
Featured by Tableau as the first of “7 Books About Machine Learning for Beginners.”
Ready to spin up a virtual GPU instance and smash through petabytes of data? Want to add ‘Machine Learning’ to your LinkedIn profile?
Well, hold on there…
Before you embark on your journey, there are some high-level theory and statistical principles to weave through first.
However, rather than spend $30-$50 USD on a thick textbook, you may want to read this book first. As a clear and concise alternative, this book provides a high-level introduction to machine learning, free downloadable code exercises, and video demonstrations. Machine Learning for Absolute Beginners Third Edition has been written and designed for absolute beginners.
This means plain-English explanations and no coding experience required. Where core algorithms are introduced, clear explanations and visual examples are added to make it easy to follow along at home.
New Updated Edition
This new edition also features extended chapters with quizzes, free supplementary online video tutorials for coding models in Python, and downloadable resources not included in the Second Edition. Readers of the Second Edition should not feel compelled to purchase this Third Edition.
Disclaimer: If you have passed the ‘beginner’ stage in your study of machine learning and are ready to tackle coding and deep learning, you would be well served with a long-format textbook. If, however, you are yet to reach that Lion King moment – as a fully grown Simba looking over the Pride Lands of Africa – then this is the book to gently hoist you up and give a clear lay of the land.
In This Step-By-Step Guide You Will Learn
• How to download free datasets
• What tools and machine learning libraries you need
• Data scrubbing techniques, including one-hot encoding, binning and dealing with missing data
• Preparing data for analysis, including k-fold Validation
• Regression analysis to create trend lines
• k-Means Clustering to find new relationships
• The basics of Neural Networks
• Bias/Variance to improve your machine learning mode
• Decision Trees to decode classification, and
• How to build your first Machine Learning Model to predict house values using Python
Frequently Asked Questions
Q: Do I need programming experience to complete this e-book?
A: This e-book is designed for absolute beginners, so no programming experience is required. However, two of the later chapters introduce Python to demonstrate an actual machine learning model, so you will see some programming used in this book.
Q: I have already purchased the Second Edition of Machine Learning for Absolute Beginners, should I purchase this Third Edition?
A: As the same topics from the Second Edition are covered in the Third Edition, you may be better served reading a more advanced title on machine learning. If you have purchased a previous edition of this book and wish to get access to the free video tutorials, please email the author.
Q: Does this book include everything I need to become a machine learning expert?
A: Unfortunately, no. This book is designed for readers taking their first steps in machine learning and further learning will be required beyond this book to master machine learning.
Reviews
There are no reviews yet.