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-25310
EAN: 9788328908116

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - K. Gallatin

Drugie wydanie książki Uczenie maszynowe w Pythonie, zawiera ponad 200 sprawdzonych receptur, które bazują na najnowszych wydaniach bibliotek Pythona. Zawierają one gotowe kody, które można dostosować do swoich potrzeb. W książce przedstawione są gotowe przykłady, dotyczące pracy z danymi w wielu formatach, bazami i magazynami danych, a także wiele innych rad, które mogą się przydać podczas rozwiązywania spektrum problemów, począwszy od przygotowania i wczytania danych, aż po trenowanie modeli i korzystanie z sieci neuronowych. Publikacja nada się dla osób chcących wdrożyć algorytmy uczenia maszynowego w praktyce.

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: Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wyd. II - Kyle Gallatin, Chris Albon

Drugie wydanie książki Uczenie maszynowe w Pythonie, zawiera ponad 200 sprawdzonych receptur, które bazują na najnowszych wydaniach bibliotek Pythona. Zawierają one gotowe kody, które można dostosować do swoich potrzeb. W książce przedstawione są gotowe przykłady dotyczące pracy z danymi w wielu formatach, bazami i magazynami danych, a także wiele innych rad, które mogą się przydać podczas rozwiązywania spektrum problemów, począwszy od przygotowania i wczytania danych, aż po trenowanie modeli i korzystanie z sieci neuronowych. Publikacja nada się dla osób chcących wdrożyć algorytmy uczenia maszynowego w praktyce.

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - K. Gallatin

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - K. Gallatin.

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - K. Gallatin

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu.

Kilka słów o autorach

Kyle Gallatin jest inżynierem, który zajmuje się oprogramowaniem na platformie uczenia maszynowego w Etsy. Pracował także jako naukowiec, analityk danych oraz inżynier uczenia maszynowego.

Dr Chris Albon od wielu lat jest analitykiem danych oraz politologiem. Obecnie pracuje dla Devoted Health, był także głównym analitykiem danych w kenijskim startupie BRCK.

Uczenie maszynowe - receptury

Uczenie maszynowe stanowi jeden z bardzo ciekawych i dynamicznie rozwijających się obszarów technologii informatycznej. W książce znajdziemy informacje dotyczące pracy z danymi w wielu formatach, bazami i magazynami danych. Omówione są również techniki redukcji wymiarowości oraz metody oceny i wyboru modeli. Publikacja zawiera receptury dotyczące takich zagadnień jak regresja liniowa i logistyczna, drzewa decyzyjne oraz lasy losowe, a także algorytmy k-najbliższych sąsiadów, maszyny wektorów nośnych (SVM), naiwna klasyfikacja bayesowska oraz klasteryzacja.

Informacje o książce

  • Tytuł oryginału: Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, 2nd Edition
  • Autorzy: Kyle Gallatin, Dr Chris Albon
  • Tłumaczenie: Robert Górczyński
  • ISBN: 978-83-289-0811-6
  • Rok wydania: 2024
  • Format: 165 x 235 mm
  • Oprawa: miękka
  • Liczba stron: 398
  • Wydawnictwo: Helion S.A.
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - K. Gallatin

Książka przeznaczona jest dla programistów.

Spis treści

Wprowadzenie

  • 1.0. Wprowadzenie
  • 1.1. Tworzenie wektora
  • 1.2. Tworzenie macierzy
  • 1.3. Tworzenie macierzy rzadkiej
  • 1.4. Wstępna alokacja tablicy NumPy
  • 1.5. Pobieranie elementów
  • 1.6. Opisywanie macierzy
  • 1.7. Przeprowadzanie operacji na wszystkich elementach
  • 1.8. Znajdowanie wartości maksymalnej i minimalnej
  • 1.9. Obliczanie średniej, wariancji i odchylenia standardowego
  • 1.10. Zmiana kształtu tablicy
  • 1.11. Transponowanie wektora lub macierzy
  • 1.12. Spłaszczanie macierzy
  • 1.13. Znajdowanie rzędu macierzy
  • 1.14. Pobieranie przekątnej macierzy
  • 1.15. Obliczanie śladu macierzy
  • 1.16. Obliczanie iloczynu skalarnego
  • 1.17. Dodawanie i odejmowanie macierzy
  • 1.18. Mnożenie macierzy
  • 1.19. Odwracanie macierzy
  • 1.20. Generowanie liczb losowych

Wczytywanie danych

  • 2.0. Wprowadzenie
  • 2.1. Wczytywanie przykładowego zbioru danych
  • 2.2. Tworzenie symulowanego zbioru danych
  • 2.3. Wczytywanie pliku CSV
  • 2.4. Wczytywanie pliku Excela
  • 2.5. Wczytywanie pliku JSON
  • 2.6. Wczytywanie pliku Parquet
  • 2.7. Wczytywanie pliku Avro
  • 2.8. Wykonywanie zapytań do bazy danych SQLite
  • 2.9. Wykonywanie zapytań do zdalnej bazy danych SQL
  • 2.10. Wczytywanie danych z Google Sheets
  • 2.11. Wczytywanie danych z kubełka S3
  • 2.12. Wczytywanie danych nieposiadających struktury

Przygotowywanie danych

  • 3.0. Wprowadzenie
  • 3.1. Tworzenie ramki danych
  • 3.2. Opisywanie danych
  • 3.3. Poruszanie się po ramce danych
  • 3.4. Pobieranie wierszy na podstawie pewnych warunków
  • 3.5. Sortowanie wartości
  • 3.6. Zastępowanie wartości
  • 3.7. Zmiana nazwy kolumny
  • 3.8. Znajdowanie wartości minimalnej, maksymalnej, sumy, średniej i liczby elementów w kolumnie
  • 3.9. Znajdowanie unikatowych wartości
  • 3.10. Obsługa brakujących wartości
  • 3.11. Usuwanie kolumn
  • 3.12. Usuwanie wiersza
  • 3.13. Usuwanie powielonych wierszy
  • 3.14. Grupowanie wierszy według wartości
  • 3.15. Grupowanie wierszy według czasu
  • 3.16. Agregowanie operacji i danych statystycznych
  • 3.17. Iterowanie przez kolumnę
  • 3.18. Wywoływanie funkcji dla wszystkich elementów kolumny
  • 3.19. Wywoływanie funkcji dla grupy
  • 3.20. Konkatenacja obiektów typu DataFrame
  • 3.21. Złączanie obiektów typu DataFrame

Obsługa danych liczbowych

  • 4.0. Wprowadzenie
  • 4.1. Przeskalowywanie cechy
  • 4.2. Standaryzowanie cechy
  • 4.3. Normalizowanie obserwacji
  • 4.4. Generowanie cech wielomianowych i interakcji
  • 4.5. Transformacja cech
  • 4.6. Wykrywanie elementów odstających
  • 4.7. Obsługa elementów odstających
  • 4.8. Dyskretyzacja cech
  • 4.9. Grupowanie obserwacji przy użyciu klastra
  • 4.10. Usuwanie obserwacji, w których brakuje wartości
  • 4.11. Uzupełnianie brakujących wartości

Obsługa danych kategoryzujących

  • 5.0. Wprowadzenie
  • 5.1. Kodowanie nominalnych cech kategoryzujących
  • 5.2. Kodowanie porządkowych cech kategoryzujących
  • 5.3. Kodowanie słowników cech
  • 5.4. Wstawianie brakujących wartości klas
  • 5.5. Obsługa niezrównoważonych klas

Obsługa tekstu

  • 6.0. Wprowadzenie
  • 6.1. Oczyszczanie tekstu
  • 6.2. Przetwarzanie i oczyszczanie danych HTML
  • 6.3. Usuwanie znaku przestankowego
  • 6.4. Tokenizacja tekstu
  • 6.5. Usuwanie słów o małym znaczeniu
  • 6.6. Stemming słów
  • 6.7. Oznaczanie części mowy
  • 6.8. Rozpoznawanie nazwanych jednostek
  • 6.9. Kodowanie tekstu za pomocą modelu worka słów
  • 6.10. Określanie wagi słów
  • 6.11. Używanie wektorów tekstu do obliczania podobieństwa tekstu w zapytaniu wyszukiwania
  • 6.12. Używanie klasyfikatora analizy sentymentu

Obsługa daty i godziny

  • 7.0. Wprowadzenie
  • 7.1. Konwertowanie ciągu tekstowego na datę
  • 7.2. Obsługa stref czasowych
  • 7.3. Pobieranie daty i godziny
  • 7.4. Podział danych daty na wiele cech
  • 7.5. Obliczanie różnicy między datami
  • 7.6. Kodowanie dni tygodnia
  • 7.7. Tworzenie cechy opóźnionej w czasie
  • 7.8. Użycie okien upływającego czasu
  • 7.9. Obsługa brakujących danych w serii danych zawierających wartości daty i godziny

Obsługa obrazów

  • 8.0. Wprowadzenie
  • 8.1. Wczytywanie obrazu
  • 8.2. Zapisywanie obrazu
  • 8.3. Zmiana wielkości obrazu
  • 8.4. Kadrowanie obrazu
  • 8.5. Rozmywanie obrazu
  • 8.6. Wyostrzanie obrazu
  • 8.7. Zwiększanie kontrastu
  • 8.8. Izolowanie kolorów
  • 8.9. Progowanie obrazu
  • 8.10. Usuwanie tła obrazu
  • 8.11. Wykrywanie krawędzi
  • 8.12. Wykrywanie narożników w obrazie
  • 8.13. Tworzenie cech w uczeniu maszynowym
  • 8.14. Użycie histogramu koloru jako cechy
  • 8.15. Użycie wytrenowanych embeddingów jako cech
  • 8.16. Wykrywanie obiektów za pomocą OpenCV
  • 8.17. Klasyfikowanie obrazów za pomocą PyTorch

Redukcja wymiarowości za pomocą wyodrębniania cech

  • 9.0. Wprowadzenie
  • 9.1. Redukowanie cech za pomocą głównych składowych
  • 9.2. Redukowanie cech, gdy dane są liniowo nierozłączne
  • 9.3. Redukowanie cech przez maksymalizację rozłączności klas
  • 9.4. Redukowanie cech za pomocą rozkładu macierzy
  • 9.5. Redukowanie cech w rzadkich danych
  1. 9.0. Wprowadzenie
  2. 9.1. Redukowanie cech za pomocą głównych składowych
  3. 9.2. Redukowanie cech, gdy dane są liniowo nierozłączne
  4. 9.3. Redukowanie cech przez maksymalizację rozłączności klas
  5. 9.4. Redukowanie cech za pomocą rozkładu macierzy
  6. 9.5. Redukowanie cech w rzadkich danych

Redukcja wymiarowości za pomocą wyboru cech

  • 10.0. Wprowadzenie
  • 10.1. Progowanie wariancji cechy liczbowej
  • 10.2. Progowanie wariancji cechy binarnej
  • 10.3. Obsługa wysoce skorelowanych cech
  • 10.4. Usuwanie nieistotnych dla klasyfikacji cech
  • 10.5. Rekurencyjne eliminowanie cech
  1. 10.0. Wprowadzenie
  2. 10.1. Progowanie wariancji cechy liczbowej
  3. 10.2. Progowanie wariancji cechy binarnej
  4. 10.3. Obsługa wysoce skorelowanych cech
  5. 10.4. Usuwanie nieistotnych dla klasyfikacji cech
  6. 10.5. Rekurencyjne eliminowanie cech

Ocena modelu

  • 11.0. Wprowadzenie
  • 11.1. Modele sprawdzianu krzyżowego
  • 11.2. Tworzenie modelu regresji bazowej
  • 11.3. Tworzenie modelu klasyfikacji bazowej
  • 11.4. Ocena prognoz klasyfikatora binarnego
  • 11.5: Ocena prognoz klasyfikatora binarnego
  • 11.6. Ocena prognoz klasyfikatora wieloklasowego
  • 11.7. Wizualizacja wydajności klasyfikatora
  • 11.8. Ocena modelu regresji
  • 11.9. Ocena modelu klasteryzacji
  • 11.10. Definiowanie niestandardowych współczynników oceny modelu
  • 11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczącego
  • 11.12. Tworzenie raportu tekstowego dotyczącego współczynnika oceny
  • 11.13. Wizualizacja efektu wywieranego przez zmianę wartości hiperparametrów

Wybór modelu

  • 12.0. Wprowadzenie
  • 12.1. Wybór najlepszych modeli przy użyciu wyczerpującego wyszukiwania
  • 12.2. Wybór najlepszych modeli za pomocą przeszukiwania losowego
  • 12.3. Wybór najlepszych modeli z wielu algorytmów uczenia maszynowego
  • 12.4. Wybór najlepszych modeli na etapie przygotowywania danych
  • 12.5. Przyspieszanie wyboru modelu za pomocą równoległości
  • 12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu
  • 12.7. Ocena wydajności po wyborze modelu

Regresja liniowa

  • 13.0. Wprowadzenie
  • 13.1. Wyznaczanie linii
  • 13.2. Obsługa wpływu interakcji
  • 13.3. Wyznaczanie zależności nieliniowej
  • 13.4. Redukowanie wariancji za pomocą regularyzacji
  • 13.5. Redukowanie cech za pomocą regresji metodą LASSO

Drzewa i lasy

  • 14.0. Wprowadzenie
  • 14.1. Trenowanie klasyfikatora drzewa decyzyjnego
  • 14.2. Trenowanie regresora drzewa decyzyjnego
  • 14.3. Wizualizacja modelu drzewa decyzyjnego
  • 14.4. Trenowanie klasyfikatora losowego lasu
  • 14.5. Trenowanie regresora losowego lasu
  • 14.6. Ocena losowego lasu za pomocą estymatora błędu out-of-bag
  • 14.7. Identyfikacja ważnych cech w losowych lasach
  • 14.8. Wybór ważnych cech w losowym lesie
  • 14.9. Obsługa niezrównoważonych klas
  • 14.10. Kontrolowanie wielkości drzewa
  • 14.11. Poprawa wydajności za pomocą wzmocnienia
  • 14.12. Wytrenowanie modelu XGBoost
  • 14.13. Poprawianie wydajności w czasie rzeczywistym za pomocą LightGBM

Algorytm k najbliższych sąsiadów

  • 15.0. Wprowadzenie
  • 15.1. Wyszukiwanie najbliższych sąsiadów obserwacji
  • 15.2. Tworzenie klasyfikatora k najbliższych sąsiadów
  • 15.3. Ustalanie najlepszej wielkości sąsiedztwa
  • 15.4. Tworzenie klasyfikatora najbliższych sąsiadów opartego na promieniu
  • 15.5. Wyszukiwanie przybliżonych najbliższych sąsiadów
  • 15.6. Ocena przybliżonych najbliższych sąsiadów

Regresja logistyczna

  • 16.0. Wprowadzenie
  • 16.1. Trenowanie klasyfikatora binarnego
  • 16.2. Trenowanie klasyfikatora wieloklasowego
  • 16.3. Redukcja wariancji poprzez regularyzację
  • 16.4. Trenowanie klasyfikatora na bardzo dużych danych
  • 16.5. Obsługa niezrównoważonych klas

Maszyna wektora nośnego

  • 17.0. Wprowadzenie
  • 17.1. Trenowanie klasyfikatora liniowego
  • 17.2. Obsługa liniowo nierozdzielnych klas przy użyciu funkcji jądra
  • 17.3. Określanie prognozowanego prawdopodobieństwa
  • 17.4. Identyfikacja wektorów nośnych
  • 17.5. Obsługa niezrównoważonych klas

Naiwny klasyfikator bayesowski

  • 18.0. Wprowadzenie
  • 18.1. Trenowanie klasyfikatora dla cech ciągłych
  • 18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych
  • 18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych
  • 18.4. Kalibrowanie prognozowanego prawdopodobieństwa

Klasteryzacja

  • 19.0. Wprowadzenie
  • 19.1. Klasteryzacja za pomocą k średnich
  • 19.2. Przyspieszanie klasteryzacji za pomocą k średnich
  • 19.3. Klasteryzacja za pomocą algorytmu meanshift
  • 19.4. Klasteryzacja za pomocą algorytmu DBSCAN
  • 19.5. Klasteryzacja za pomocą łączenia hierarchicznego

Tensory w PyTorch

  • 20.0. Wprowadzenie
  • 20.1. Utworzenie tensora
  • 20.2. Utworzenie tensora z poziomu NumPy
  • 20.3. Utworzenie tensora rzadkiego
  • 20.4. Wybór elementów tensora
  • 20.5. Opisanie tensora
  • 20.6. Przeprowadzanie operacji na elementach tensora
  • 20.7. Wyszukiwanie wartości minimalnej i maksymalnej
  • 20.8. Zmiana kształtu tensora
  • 20.9. Transponowanie tensora
  • 20.10. Spłaszczanie tensora
  • 20.11. Obliczanie iloczynu skalarnego
  • 20.12. Mnożenie tensorów

Sieci neuronowe

  • 21.0. Wprowadzenie
  • 21.1. Używanie silnika Autograd frameworka PyTorch
  • 21.2. Przygotowywanie danych dla sieci neuronowej
  • 21.3. Projektowanie sieci neuronowej
  • 21.4. Trenowanie klasyfikatora binarnego
  • 21.5. Trenowanie klasyfikatora wieloklasowego
  • 21.6. Trenowanie regresora
  • 21.7. Generowanie prognoz
  • 21.8. Wizualizacja historii trenowania
  • 21.9. Redukcja nadmiernego dopasowania za pomocą regularyzacji wagi
  • 21.10. Redukcja nadmiernego dopasowania za pomocą techniki wcześniejszego zakończenia procesu uczenia
  • 21.11. Redukcja nadmiernego dopasowania za pomocą techniki porzucenia
  • 21.12. Zapisywanie postępu modelu uczącego
  • 21.13. Dostrajanie sieci neuronowej
  • 21.14. Wizualizacja sieci neuronowej

Sieci neuronowe dla danych pozbawionych struktury

  • 22.0. Wprowadzenie
  • 22.1. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji obrazów
  • 22.2. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji tekstu
  • 22.3. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji obrazu
  • 22.4. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji tekstu
  1. 22.0. Wprowadzenie
  2. 22.1. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji obrazów
  3. 22.2. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji tekstu
  4. 22.3. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji obrazu
  5. 22.4. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji tekstu

Zapisywanie, wczytywanie i udostępnianie wytrenowanych modeli

  • 23.0. Wprowadzenie
  • 23.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn
  • 23.2. Zapisywanie i wczytywanie modelu biblioteki TensorFlow
  • 23.3. Zapisywanie i wczytywanie modelu PyTorch
  • 23.4. Udostępnianie modeli scikit-learn
  • 23.5. Udostępnianie modeli TensorFlow
  • 23.6. Udostępnianie modeli PyTorch za pomocą Seldon
  1. 23.0. Wprowadzenie
  2. 23.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn
  3. 23.2. Zapisywanie i wczytywanie modelu biblioteki TensorFlow
  4. 23.3. Zapisywanie i wczytywanie modelu PyTorch
  5. 23.4. Udostępnianie modeli scikit-learn
  6. 23.5. Udostępnianie modeli TensorFlow
  7. 23.6. Udostępnianie modeli PyTorch za pomocą Seldon

1. Wektor, macierz i tablica

3. Przygotowywanie danych

4. Obsługa danych liczbowych

5. Obsługa danych kategoryzujących

6. Obsługa tekstu

7. Obsługa daty i godziny

8. Obsługa obrazów

9. Redukcja wymiarowości za pomocą wyodrębniania cech

10. Redukcja wymiarowości za pomocą wyboru cech

11. Ocena modelu

11.5. Ocena progowania klasyfikatora binarnego

12. Wybór modelu

13. Regresja liniowa

14. Drzewa i lasy

15. Algorytm k najbliższych sąsiadów

16. Regresja logistyczna

17. Maszyna wektora nośnego

18. Naiwny klasyfikator bayesowski

19. Klasteryzacja

20. Tensory w PyTorch

21. Sieci neuronowe

22. Sieci neuronowe dla danych pozbawionych struktury

23. Zapisywanie, wczytywanie i udostępnianie wytrenowanych modeli

Nazwa Wartość
Książka - Autor Kyle Gallatin, Chris Albon
Książka - ISBN 978-83-289-0811-6
Książka - Oprawa miękka
Książka - Wydawnictwo Helion SA
Tematyka
  • Programowanie
  • Python
Szerokość 16,5 cm
Wysokość 23,5 cm
Głębokość 2 cm
Waga 0,623 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
Kurier DHL Allegro 1 - 2 dni robocze od 15,00 zł
Allegro One Box 24h od 15,12 zł
Allegro One Punkt 24h od 15,12 zł
Allegro Paczkomaty 24h od 15,12 zł
Allegro One Punkt DPD 24h od 15,12 zł
Allegro One Box DPD 24h od 15,12 zł
Allegro Punkt ORLEN 24h od 15,12 zł
Allegro Automat ORLEN 24h od 15,12 zł
Allegro DPD 24h od 15,12 zł
Allegro DPD Punkt 24h od 15,12 zł
InPost Paczkomaty Weekend Dostawa w sobotę od 19,99 zł
Kurier InPost (pobranie) Dostawa 24h od 22,99 zł
Kurier UPS Allegro 24h od 24,60 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.