Nasza specjalność? Elektronika i druk 3D
Szybka dostawa 30 dni na zwrot
Magazyn i serwis? U nas, w Polsce!
Doradzamy i inspirujemy +1,7 mln zamówień
Nasza specjalność? Elektronika i druk 3D
Szybka dostawa 30 dni na zwrot
Magazyn i serwis? U nas, w Polsce!
Doradzamy i inspirujemy +1,7 mln zamówień

Zaufało nam już ponad 500 000 klientów. U nas masz:

 

wysyłkę tego samego dnia przy produktach z oznaczeniem „Wysyłka 24h”

 

własny serwis w Polsce

 

30 dni na zwrot i darmową dostawę w Polsce od 500 zł

 

4,9/5 w TrustMate i 4,9/5 w Google (prawie 4000 opinii)

 

fakturę VAT, leasing i raty dla firm

Dla firm

 

indywidualna wycena przy większych ilościach

 

leasing i raty od 1000 zł

 

faktura VAT

Dla szkół i uczelni

 

0% VAT na sprzęt komputerowy

 

zamówienia na zapytanie ofertowe

 

pomoc w doborze zestawów do pracowni

Złóż zapytanie ofertowe - odpowiadamy szybko.

Indeks: KSZ-22790
EAN: 9788328388703

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu

Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.

Cena:
Cena netto:

Produkt wycofany ze sprzedaży

Ten model nie jest już produkowany i nie wróci do naszej oferty.

Uwaga!

Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii.

Opis produktu: Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu

Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III.

Przewodnik po technikach uczenia maszynowego

Przewodnik po technikach uczenia maszynowego.

Informacje o autorze

Yuxi (Hayden) Liu - miłośnik nauki, autor wielu książek na temat uczenia maszynowego. Pracował nad jego zastosowaniami w takich dziedzinach jak reklama internetowa i cyberbezpieczeństwo. Aktualnie rozwija modele uczenia maszynowego w Google.

Informacje o książce

  • Tytuł oryginału: Python Machine Learning By Example: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn, 3rd Edition
  • Autor: Yuxi (Hayden) Liu
  • Tłumaczenie: Andrzej Watrak
  • ISBN: 978-83-283-8870-3
  • Oprawa: miękka
  • Ilość stron: 424
  • Rok wydania: 2022
  • Wydawnictwo: Helion S.A.

Spis treści

O autorze

O korektorach merytorycznych

Rozdział 1. Pierwsze kroki z uczeniem maszynowym w Pythonie

  • Wprowadzenie do uczenia maszynowego: Dlaczego uczenie maszynowe jest potrzebne?; Różnice między uczeniem maszynowym a automatyką; Zastosowania uczenia maszynowego
  • Wstępne wymagania
  • Trzy rodzaje uczenia maszynowego
  • Istota uczenia maszynowego: Uogólnianie danych; Nadmierne i niedostateczne dopasowanie modelu oraz kompromis między obciążeniem a wariancją; Zapobieganie nadmiernemu dopasowaniu poprzez weryfikację krzyżową; Zapobieganie nadmiernemu dopasowaniu za pomocą regularyzacji; Zapobieganie nadmiernemu dopasowaniu poprzez selekcję cech i redukcję wymiarowości
  • Wstępne przetwarzanie danych i inżynieria cech: Wstępne przetwarzanie i eksploracja danych; Inżynieria cech
  • Łączenie modeli: Głosowanie i uśrednianie; Agregacja bootstrap; Wzmacnianie; Składowanie
  • Instalacja i konfiguracja oprogramowania: Przygotowanie Pythona i środowiska pracy; Instalacja najważniejszych pakietów Pythona; Wprowadzenie do pakietu TensorFlow 2
  • Podsumowanie
  • Ćwiczenia

Rozdział 2. Tworzenie systemu rekomendacji filmów na bazie naiwnego klasyfikatora Bayesa

  • Pierwsze kroki z klasyfikacją: Klasyfikacja binarna; Klasyfikacja wieloklasowa; Klasyfikacja wieloetykietowa
  • Naiwny klasyfikator Bayesa: Twierdzenie Bayesa w przykładach; Mechanizm naiwnego klasyfikatora Bayesa
  • Implementacja naiwnego klasyfikatora Bayesa: Implementacja od podstaw; Implementacja z wykorzystaniem pakietu scikit-learn
  • Budowanie systemu rekomendacyjnego na bazie klasyfikatora Bayesa
  • Ocena jakości klasyfikacji
  • Strojenie modeli poprzez weryfikację krzyżową
  • Podsumowanie
  • Ćwiczenia
  • Bibliografia

Rozdział 3. Rozpoznawanie twarzy przy użyciu maszyny wektorów nośnych

  • Określanie granic klas za pomocą maszyny wektorów nośnych: Scenariusz 1. Określenie hiperpłaszczyzny rozdzielającej; Scenariusz 2. Określenie optymalnej hiperpłaszczyzny rozdzielającej; Scenariusz 3. Przetwarzanie punktów odstających; Implementacja maszyny wektorów nośnych; Scenariusz 4. Więcej niż dwie klasy; Scenariusz 5. Rozwiązywanie nierozdzielnego liniowo problemu za pomocą jądra; Wybór między jądrem liniowym a radialną funkcją bazową
  • Klasyfikowanie zdjęć twarzy za pomocą maszyny wektorów nośnych: Badanie zbioru zdjęć twarzy; Tworzenie klasyfikatora obrazów opartego na maszynie wektorów nośnych; Zwiększanie skuteczności klasyfikatora obrazów za pomocą analizy głównych składowych
  • Klasyfikacja stanu płodu w kardiotokografii
  • Podsumowanie
  • Ćwiczenia

Rozdział 4. Prognozowanie kliknięć reklam internetowych przy użyciu algorytmów drzewiastych

  • Wprowadzenie do prognozowania kliknięć reklam
  • Wprowadzenie do dwóch typów danych: liczbowych i kategorialnych
  • Badanie drzewa decyzyjnego od korzeni do liści: Budowanie drzewa decyzyjnego; Wskaźniki jakości podziału zbioru
  • Implementacja drzewa decyzyjnego od podstaw
  • Implementacja drzewa decyzyjnego za pomocą biblioteki scikit-learn
  • Prognozowanie kliknięć reklam za pomocą drzewa decyzyjnego
  • Gromadzenie drzew decyzyjnych: las losowy
  • Gromadzenie drzew decyzyjnych: drzewa ze wzmocnieniem gradientowym
  • Podsumowanie
  • Ćwiczenia

Rozdział 5. Prognozowanie kliknięć reklam internetowych przy użyciu regresji logistycznej

  • Klasyfikowanie danych z wykorzystaniem regresji logistycznej: Wprowadzenie do funkcji logistycznej; Przejście od funkcji logistycznej do regresji logistycznej
  • Trening modelu opartego na regresji logistycznej: Trening modelu opartego na regresji logistycznej z gradientem prostym; Prognozowanie kliknięć reklam z wykorzystaniem regresji logistycznej z gradientem prostym; Trening modelu opartego na regresji logistycznej ze stochastycznym gradientem prostym; Trening modelu opartego na regresji logistycznej z regularyzacją; Selekcja cech w regularyzacji L1
  • Trening modelu na dużym zbiorze danych z uczeniem online
  • Klasyfikacja wieloklasowa
  • Implementacja regresji logistycznej za pomocą pakietu TensorFlow
  • Selekcja cech z wykorzystaniem lasu losowego
  • Podsumowanie
  • Ćwiczenia

Rozdział 6. Skalowanie modelu prognozującego do terabajtowych dzienników kliknięć

  • Podstawy Apache Spark: Komponenty; Instalacja; Uruchamianie i wdrażanie programów
  • Programowanie z wykorzystywaniem modułu PySpark
  • Trenowanie modelu na bardzo dużych zbiorach danych za pomocą narzędzia Apache Spark: Załadowanie danych o kliknięciach reklam; Podzielenie danych i umieszczenie ich w pamięci; Zakodowanie "1 z n" cech kategorialnych; Trening i testy modelu regresji logistycznej
  • Inżynieria cech i wartości kategorialnych przy użyciu narzędzia Apache Spark: Mieszanie cech kategorialnych; Interakcja cech, czyli łączenie zmiennych
  • Podsumowanie
  • Ćwiczenia

Rozdział 7. Prognozowanie cen akcji za pomocą algorytmów regresji

  • Krótkie wprowadzenie do giełdy i cen akcji
  • Co to jest regresja?
  • Pozyskiwanie cen akcji: Pierwsze kroki z inżynierią cech; Pozyskiwanie danych i generowanie cech
  • Szacowanie za pomocą regresji liniowej: Jak działa regresja liniowa?; Implementacja regresji liniowej od podstaw; Implementacja regresji liniowej z wykorzystaniem pakietu scikit-learn; Implementacja regresji liniowej z wykorzystaniem pakietu TensorFlow
  • Prognozowanie za pomocą regresyjnego drzewa decyzyjnego: Przejście od drzewa klasyfikacyjnego do regresyjnego; Implementacja regresyjnego drzewa decyzyjnego; Implementacja lasu regresyjnego
  • Prognozowanie za pomocą regresji wektorów nośnych: Implementacja regresji wektorów nośnych
  • Ocena jakości regresji
  • Prognozowanie cen akcji za pomocą trzech algorytmów regresji
  • Podsumowanie
  • Ćwiczenia

Rozdział 8. Prognozowanie cen akcji za pomocą sieci neuronowych

  • Demistyfikacja sieci neuronowych: Pierwsze kroki z jednowarstwową siecią neuronową; Funkcje aktywacji; Propagacja wstecz; Wprowadzanie kolejnych warstw do sieci neuronowej i uczenie głębokie
  • Tworzenie sieci neuronowej: Implementacja sieci neuronowej od podstaw; Implementacja sieci neuronowej przy użyciu pakietu scikit-learn; Implementacja sieci neuronowej przy użyciu pakietu TensorFlow
  • Dobór właściwej funkcji aktywacji
  • Zapobieganie nadmiernemu dopasowaniu sieci: Dropout; Wczesne zakończenie treningu
  • Prognozowanie cen akcji za pomocą sieci neuronowej: Trening prostej sieci neuronowej; Dostrojenie parametrów sieci neuronowej
  • Podsumowanie
  • Ćwiczenie

Rozdział 9. Badanie 20 grup dyskusyjnych przy użyciu technik analizy tekstu

  • Jak komputery rozumieją ludzi, czyli przetwarzanie języka naturalnego: Czym jest przetwarzanie języka naturalnego?; Historia przetwarzania języka naturalnego; Zastosowania przetwarzania języka naturalnego
  • Przegląd bibliotek Pythona i podstawy przetwarzania języka naturalnego: Instalacja najważniejszych bibliotek; Korpusy; Tokenizacja; Oznaczanie części mowy; Rozpoznawanie jednostek nazwanych; Stemming i lematyzacja; Modelowanie semantyczne i tematyczne
  • Pozyskiwanie danych z grup dyskusyjnych
  • Badanie danych z grup dyskusyjnych
  • Przetwarzanie cech danych tekstowych: Zliczanie wystąpień wszystkich tokenów; Wstępne przetwarzanie tekstu; Usuwanie stop-słów; Upraszczanie odmian
  • Wizualizacja danych tekstowych z wykorzystaniem techniki t-SNE: Co to jest redukcja wymiarowości?; Redukcja wymiarowości przy użyciu techniki t-SNE
  • Podsumowanie
  • Ćwiczenia

Rozdział 10. Wyszukiwanie ukrytych tematów w grupach dyskusyjnych poprzez ich klastrowanie i modelowanie tematyczne

  • Nauka bez wskazówek, czyli uczenie nienadzorowane
  • Klastrowanie grup dyskusyjnych metodą k-średnich: Jak działa klastrowanie metodą k-średnich?; Implementacja klastrowania metodą k-średnich od podstaw; Implementacja klastrowania metodą k-średnich z wykorzystaniem pakietu scikit-learn; Dobór wartości k; Klastrowanie danych z grup dyskusyjnych metodą k-średnich
  • Odkrywanie ukrytych tematów grup dyskusyjnych: Modelowanie tematyczne z wykorzystaniem nieujemnej faktoryzacji macierzy; Modelowanie tematyczne z wykorzystaniem ukrytej alokacji Dirichleta
  • Podsumowanie
  • Ćwiczenia

Rozdział 11. Dobre praktyki uczenia maszynowego

  • Proces rozwiązywania problemów uczenia maszynowego
  • Dobre praktyki przygotowywania danych: Dobra praktyka nr 1. Dokładne poznanie celu projektu; Dobra praktyka nr 2. Zbieranie wszystkich istotnych pól; Dobra praktyka nr 3. Ujednolicenie danych; Dobra praktyka nr 4. Opracowanie niekompletnych danych; Dobra praktyka nr 5. Przechowywanie dużych ilości danych
  • Dobre praktyki tworzenia zbioru treningowego: Dobra praktyka nr 6. Oznaczanie cech kategorialnych liczbami; Dobra praktyka nr 7. Rozważenie kodowania cech kategorialnych; Dobra praktyka nr 8. Rozważenie selekcji cech i wybór odpowiedniej metody; Dobra praktyka nr 9. Rozważenie redukcji wymiarowości i wybór odpowiedniej metody; Dobra praktyka nr 10. Rozważenie normalizacji cech; Dobra praktyka nr 11. Inżynieria cech na bazie wiedzy eksperckiej; Dobra praktyka nr 12. Inżynieria cech bez wiedzy eksperckiej; Dobra praktyka nr 13. Dokumentowanie procesu tworzenia cech; Dobra praktyka nr 14. Wyodrębnianie cech z danych tekstowych
  • Dobre praktyki trenowania, oceniania i wybierania modelu: Dobra praktyka nr 15. Wybór odpowiedniego algorytmu początkowego; Dobra praktyka nr 16. Zapobieganie nadmiernemu dopasowaniu; Dobra praktyka nr 17. Diagnozowanie nadmiernego i niedostatecznego dopasowania; Dobra praktyka nr 18. Modelowanie dużych zbiorów danych
  • Dobre praktyki wdrażania i monitorowania modelu: Dobra praktyka nr 19. Zapisywanie, ładowanie i wielokrotne stosowanie modelu; Dobra praktyka nr 20. Monitorowanie skuteczności modelu; Dobra praktyka nr 21. Regularne aktualizowanie modelu
  • Podsumowanie
  • Ćwiczenia

Rozdział 12. Kategoryzacja zdjęć odzieży przy użyciu konwolucyjnej sieci neuronowej

  • Bloki konstrukcyjne konwolucyjnej sieci neuronowej: Warstwa konwolucyjna; Warstwa nieliniowa; Warstwa redukująca
  • Budowanie konwolucyjnej sieci neuronowej na potrzeby klasyfikacji
  • Badanie zbioru zdjęć odzieży
  • Klasyfikowanie zdjęć odzieży za pomocą konwolucyjnej sieci neuronowej: Tworzenie sieci; Trening sieci; Wizualizacja filtrów konwolucyjnych
  • Wzmacnianie konwolucyjnej sieci neuronowej poprzez uzupełnianie danych: Odwracanie obrazów w poziomie i pionie; Obracanie obrazów; Przesuwanie obrazów
  • Usprawnianie klasyfikatora obrazów poprzez uzupełnianie danych
  • Podsumowanie
  • Ćwiczenia

Rozdział 13. Prognozowanie sekwencji danych przy użyciu rekurencyjnej sieci neuronowej

  • Wprowadzenie do uczenia sekwencyjnego
  • Architektura rekurencyjnej sieci neuronowej na przykładzie: Mechanizm rekurencyjny; Sieć typu "wiele do jednego"; Sieć typu "jedno do wielu"; Sieć synchroniczna typu "wiele do wielu"; Sieć niesynchroniczna typu "wiele do wielu"
  • Trening rekurencyjnej sieci neuronowej
  • Długoterminowe zależności i sieć LSTM
  • Analiza recenzji filmowych za pomocą sieci neuronowej: Analiza i wstępne przetworzenie recenzji; Zbudowanie prostej sieci LSTM; Poprawa skuteczności poprzez wprowadzenie dodatkowych warstw
  • Pisanie nowej powieści "Wojna i pokój" za pomocą rekurencyjnej sieci neuronowej: Pozyskanie i analiza danych treningowych; Utworzenie zbioru treningowego dla generatora tekstu; Utworzenie generatora tekstu; Trening generatora tekstu
  • Zaawansowana analiza języka przy użyciu modelu Transformer: Architektura modelu; Samouwaga
  • Podsumowanie
  • Ćwiczenia

Rozdział 14. Podejmowanie decyzji w skomplikowanych warunkach z wykorzystaniem uczenia przez wzmacnianie

  • Przygotowanie środowiska do uczenia przez wzmacnianie: Instalacja biblioteki PyTorch; Instalacja narzędzi OpenAI Gym
  • Wprowadzenie do uczenia przez wzmacnianie z przykładami: Komponenty uczenia przez wzmacnianie; Sumaryczna nagroda; Algorytmy uczenia przez wzmacnianie
  • Problem FrozenLake i programowanie dynamiczne: Utworzenie środowiska FrozenLake; Rozwiązanie problemu przy użyciu algorytmu iteracji wartości; Rozwiązanie problemu przy użyciu algorytmu iteracji polityki
  • Metoda Monte Carlo uczenia przez wzmacnianie: Utworzenie środowiska Blackjack; Ocenianie polityki w metodzie Monte Carlo; Sterowanie Monte Carlo z polityką
  • Problem taksówkarza i algorytm Q-uczenia: Utworzenie środowiska Taxi; Implementacja algorytmu Q-uczenia
  • Podsumowanie
  • Ćwiczenia

Skorowidz

Nazwa Wartość
Książka - Autor Yuxi (Hayden) Liu
Książka - ISBN 978-83-283-8870-3
Książka - Oprawa miękka
Książka - Wydawnictwo Helion S.A.
Tematyka Sztuczna inteligencja
Szerokość 16,5 cm
Wysokość 23,5 cm
Głębokość 2 cm
Waga 0,6 kg

Darmowa dostawa od 500,00 zł

Przy zamówieniach o wartości 500,00 zł i więcej koszt przesyłki pokrywamy my, niezależnie od wybranego przewoźnika. Dotyczy dostawy do kraju: Polska.

Sposób dostawy Czas dostawy Koszt
GLS Automaty Dostawa 24h od 8,99 zł
Paczkomaty 24/7 Dostawa 24h (ubezpieczenie do 200 zł) od 13,99 zł
Kurier InPost Dostawa 24h od 14,99 zł
Kurier GLS Dostawa 24h od 14,99 zł
InPost Paczkomaty Weekend Dostawa w sobotę od 19,99 zł
Kurier InPost (pobranie) Dostawa 24h od 22,99 zł
Ambro ohne Hereintragen Dostawa 1-2 dni od 150,00 zł
Ambro mit Hereintragen Dostawa 1-2 dni od 200,00 zł

Szczegółowe warunki dostawy znajdziesz na stronie Dostawa i płatności.

Zasady składania reklamacji towaru

Zgodnie z obowiązującymi przepisami, ponosimy odpowiedzialność na zasadach określonych w Kodeksie Cywilnym za wady fizyczne i prawne.

Po wykryciu wady Kupujący ma prawo:

  • złożyć oświadczenie o żądaniu obniżenia ceny,
  • złożyć oświadczenie o odstąpieniu od umowy, ale nie wtedy kiedy wada jest nieistotna,
  • żądać wymiany rzeczy na wolną od wad,
  • żądać usunięcia wady.

Informujemy, że Dział Reklamacji firmy Botland rozpatruje zgłoszenia w ciągu 14 dni kalendarzowych od daty ich wpłynięcia. Botland odpowiada z tytułu rękojmi jeśli wada fizyczna zostanie stwierdzona przed upływem dwóch lat od momentu wydania rzeczy.

Informacje dotyczące korzystania z prawa odstąpienia od umowy

Zgodnie z aktualnymi przepisami prawnymi Konsument ma prawo odstąpić od umowy kupna-sprzedaży w terminie 30 dni bez podania przyczyny. Termin ten wygasa po upływie 30 dni od momentu, w którym Konsument wszedł w posiadanie rzeczy lub w którym osoba trzecia inna niż przewoźnik i wskazana przez Konsumenta weszła w posiadanie rzeczy.

Informujemy, że zgodnie z obowiązującymi przepisami oraz §4 Regulaminu zwrot towaru przysługuje wyłącznie Konsumentom (zakup niezwiązany bezpośrednio działalnością gospodarczą lub zawodową). Zwroty nie przysługują Klientom (zakup związany bezpośrednio działalnością gospodarczą lub zawodową).

Przebieg reklamacji / zwrotu

W celu zgłoszenia reklamacji prosimy postępować zgodnie z instrukcją:

  1. Zapoznaj się z zasadami reklamacji / zwrotu.
  2. Wypełnij formularz, który znajduje się poniżej.
  3. Zapoznaj się z treścią otrzymanej odpowiedzi.
  4. Po otrzymaniu wiadomości e-mail ze statusem „Oczekiwanie na przesyłkę”, zabezpiecz i zapakuj niesprawny produkt.
  5. Wyślij przesyłkę na podany niżej adres wraz z wydrukowanym formularzem oraz dowodem zakupu.
Formularz reklamacyjny

W celu rozpoczęcia procedury reklamacyjnej / zwrotu, wypełnij formularz.

Adres do wysyłki

BOTLAND - SERWIS
Gola 25A
63-640 Bralin

Zasady reklamacji

W celu sprawnego przeprowadzenia procesu reklamacji, prosimy o zapoznanie się z opisanymi poniżej zasadami:

  1. Przed odesłaniem sprzętu prosimy o upewnienie się, iż produkt faktycznie jest niesprawny.
  2. W celu sprawnego przebiegu reklamacji prosimy o wypełnienie formularza reklamacyjnego oraz dołączenie go do przesyłki.
  3. Do reklamowanych produktów prosimy dołączyć dowód zakupu (np. paragon, fakturę lub potwierdzenie wykonania przelewu).
  4. Towar należy starannie zapakować, aby zapewnić bezpieczny transport i zapobiec kolejnym uszkodzeniom.
  5. Firma Botland nie odbiera paczek reklamacyjnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.
  6. Zwrot kosztów przesyłki następuje po uznaniu reklamacji. Jest to kwota zgodna z najtańszą oferowaną formą dostawy.
  7. Po uznaniu reklamacji zwrot środków nastąpi w ciągu 14 dni. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Kupujący wyraził zgodę na inne rozwiązanie lub je zaproponował.
  8. Sprzęt prosimy odsyłać kompletny razem z akcesoriami. Produkty niekompletne zostaną odesłane bez rozpatrzenia na koszt nadawcy.
  9. Samodzielna naprawa, przeprowadzona przez osoby nieuprawnione, tj. niebędąca naprawą przez firmę Botland, pozbawia Kupującego prawa do dalszego reklamowania.
  10. O sposobie rozpatrzenia reklamacji Kupujący zostanie poinformowany drogą elektroniczną (poprzez wiadomość e-mail).
  11. Szczegółowe informacje dotyczące aktualnych kosztów wysyłki znajdują się na stronie www.botland.com.pl w zakładce Dostawa.
  12. Odesłanie sprzętu jest równoznaczne z zapoznaniem się z powyższymi zasadami.

Zasady zwrotu towaru

  1. W celu skorzystania z prawa odstąpienia od umowy, Konsument zobowiązany jest poinformować Sprzedającego o swojej decyzji poprzez jednoznaczne oświadczenie.
  2. W celu sprawnego przeprowadzenia procesu zwrotu prosimy o wypełnienie formularza. Konsument może również skorzystać z innego oświadczenia niż zamieszczony formularz.
  3. W przypadku odstąpienia od umowy zwracamy wszystkie otrzymane płatności, w tym koszty dostarczenia rzeczy do Konsumenta (z wyjątkiem dodatkowych kosztów wynikających z wybranego przez Konsumenta sposobu dostarczenia innego niż najtańszy przez nas oferowany). Konsument ponosi koszty przesyłki zwrotnej. Zwrot środków nastąpi w ciągu 14 dni od dnia, w którym zostaliśmy poinformowani o decyzji odstąpienia od umowy. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Konsument wyraził zgodę na inne rozwiązanie lub je zaproponował.
  4. Możemy wstrzymać się ze zwrotem płatności do czasu otrzymania rzeczy lub dostarczenia nam dowodu jej odesłania, w zależności od tego, które zdarzenie nastąpi wcześniej.
  5. Prosimy o odesłanie lub przekazanie nam rzeczy niezwłocznie, a w każdym razie nie później niż 14 dni od dnia, w którym zostaliśmy poinformowani o odstąpieniu od umowy. Prosimy również o staranne zapakowanie towaru przed wysyłką.
  6. Konsument odpowiada tylko za zmniejszenie wartości produktu wynikającej z korzystania w sposób inny niż było to konieczne do stwierdzenia cech i funkcjonalności.
  7. Firma Botland nie odbiera paczek zwrotnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.

Zadaj pierwsze pytanie o ten produkt!

Instrukcje i dokumenty

Dane GPSR

Kraj pochodzenia Polska
Dane kontaktowe producenta Helion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Dane kontaktowe wprowadzającego na rynek UE Helion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Inni klienci oglądali również

Brak opinii dla tego produktu.