این کتاب برای برنامه نویسان متوسط و همچنین برای برنامه نویسان مجرب مناسب است. برنامه نویسان باتجربه ای که می خواهند دانش خود را از پایتون تعمیق بخشند، می توانند به راحتی از طریق علوم کامپیوتر یا آموزش برنامه نویسی آشنا می شوند. برنامه نویسان میانی با زبان انتخابی خود با این مشکلات کلاسیک آشنا می شوند: پایتون. توسعه دهندگانی که برای مصاحبه های برنامه نویسی آماده می شوند، احتمالاً این کتاب را به عنوان یک منبع آماده سازی ارزشمند می دانند.
پایتون امروزه پرکاربردترین زبان برنامه نویسی است. وقتی نوبت به حل مسائل و چالش های علم داده می رسد، پایتون هرگز از تعجب کاربران خود دست نمی کشد. بیشتر متخصصین داده هر روز از قدرت برنامه نویسی پایتون استفاده می کنند. پایتون یک زبان آسان برای یادگیری ، اشکال زدایی آسان ، پرکاربرد ، شی گرا ، متن باز و با کارایی بالا و مزایای بسیاری برای برنامه نویسی است. پایتون با کتابخانه های خارق العاده ای ساخته شده که هر روز توسط برنامه نویسان برای حل مسائل مختلف استفاده می شود.
مروری بر کتابخانه‌های محبوب علم داده در پایتون:
وقتی که صحبت از یادگیری ماشین، هوش مصنوعی، یادگیری عمیق و علوم داده به میان میاید، زبان برنامه نویسی پایتون همچنان پیشرو است.براساس سایت Buildwith.com چهل‌و‌پنج درصد از شرکت‌‌های فناوری استفاده از Python برای پیاده سازی هوش مصنوعی و یادگیری ماشین ترجیح می دهند. پیتر نورویگ، مدیر کیفیت جستجو در Google بیان می‌کند که پایتون از ابتدا بخش مهمی از گوگل بوده و با رشد و تکامل سیستم همچنان پابرجاست. امروز مهندس‌های Google از پایتون استفاده می‌کنند و ما به دنبال افراد بیشتری هستیم که مهارت این زبان را داشته باشند.
از طریق قرار گرفتن در معرض اخبار و رسانه های اجتماعی ، احتمالاً شما کاملاً با این واقعیت آشنا شده اید که یادگیری ماشین به یکی از مهیج ترین فناوری های عصر ما تبدیل شده است. شرکت های بزرگی مانند گوگل ، فیس بوک ، اپل ، آمازون و IBM به دلایل بسیار زیادی در تحقیقات و برنامه های یادگیری ماشین سرمایه گذاری می کنند.
این موضوع هیجان انگیز راه را برای امکانات و تکنولوژی های جدید
یادگیری ماشین (ML) به طور گسترده ای در بسیاری از صنایع مانند علوم ، بهداشت و تحقیقات مورد استفاده قرار می گیرد و محبوبیت آن در حال افزایش است. در مارس 2018 ، مایکروسافت برای کمک به علاقه مندان به .NET برای کار با یادگیری ماشین ML.NET را معرفی کرد. از طریق این کتاب ، نحوه ساخت برنامه های ML.NET را با مدل های مختلف یادگیری ماشین و با استفاده از کد C # بررسی خواهیم کرد.
یادگیری ماشین شاخه ای از علوم کامپیوتر است که بدون انجام برنامه نویسی صریح، به کامپیوتر توانایی یادگیری می بخشد.
آرتور ساموئل (Arthur Samuel) امریکایی، یکی از پیشروهای حوزه بازی های کامپیوتری و هوش مصنوعی، عبارت “یادگیری ماشین” را در سال 1959 که در IBM کار می کرد، به ثبت رساند. یادگیری ماشین، که از اُلگوشناسی و نظریه یادگیری محاسباتی الهام گرفته شده است، مطالعه و ساخت الگوریتم هایی را که می توانند بر اساس داده ها یادگیری و پیش بینی انجام دهند بررسی می کند – چنین الگوریتم هایی از دستورات برنامه پیروی صرف نمی کنند و از طریق مدلسازی از داده های ورودی نمونه، پیش بینی یا تصمیم گیری می کنند. یادگیری ماشین در کارهای محاسباتی که طراحی
بطور کلی می توان Data Mining یا داده کاوی را کوششی برای کسب اطلاع از داده های ذخیره شده نامید. دانشی که با استناد به ان می توان جامعیت دانش از داده ها را تضمین نماید. داده کاوی امروزه یکی از علوم جدید در رشته هوش مصنوعی و نرم افزار می باشد که کتاب فوق در ۱۰ فصل شما را بطور کامل با مفاهیم داده کاوی اشنا می نماید.
