با کمک کتاب Hands On Unsupervised Learning Using Python می‌توانید اکوسیستم یادگیری ماشین با استفاده از پایتون را بیاموزید. شما می‌توانید نحوه ساخت راه‌حل‌های یادگیری ماشین از داده‌های بدون برچسب را با استفاده از مثال‌های عملی آموخته و در محیط عملیاتی نیز پیاده‌سازی کنید. کتاب Hands On Unsupervised Learning Using Python دارای 4 فصل اصلی برای آموزش یادگیری ماشین با استفاده از زبان پایتون است.
در این کتاب یک پروژه یادگیری ماشین از ابتدا ایجاد شده است، تا زمینه‌هایی مانند تنظیم محیط برنامه‌نویسی، تهیه داده‌ها، بررسی داده‌ها، انتخاب الگوریتم‌های یادگیری ماشین و توابع هزینه و ارزیابی نتایج را پوشش دهد. همینطور با تفاوت بین سیستم مبتنی بر قوانین و یادگیری ماشین، تفاوت بین یادگیری نظارت شده و یادگیری بی‌نظیر و نقاط قوت و ضعف هر یک آشنا خواهید شد.
چرا پایتون یک زبان ایده‌آل برای یادگیری ماشین است؟
1- استفاده از پایتون آسان است.
هیچ کس چیزهای بیش از حد پیچیده را دوست ندارد و بنابراین سهولت استفاده از پایتون یکی از دلایل اصلی محبوبیت آن در آموزش یادگیری ماشین میباشد. این زبان ساختار و دستورات بسیار ساده ای دارد که به راحتی قابل خواندن است و باعث می‌شود که هم برنامه‌نویسان و هم دانشجویان تجربی آن را دوست داشته باشند.
سادگی پایتون به این معنی است که توسعه‌دهندگان می توانند به جای صرف تمام وقت و انرژی خود در مورد تفاوت های ظریف و فنی زبان‌های برنامه‌نویسی، بر روی حل مسائل اصلی و آموزش ماشین لرنینگ تمرکز کنند.
2- پایتون دارای چندین کتابخانه و فریم ورک مناسب برای یادگیری ماشین است.
پایتون در حال حاضر بسیار محبوب است و به تبع آن، صدها کتابخانه و چارچوب های مختلف را داراست که توسط توسعه‌دهندگان قابل استفاده است. این کتابخانه‌ها و فریم‌ورک‌ها در صرفه‌جویی در وقت بسیار مفید هستند که به نوبه خود باعث محبوبیت زبان پایتون نیز می شود.
بسیاری از کتابخانه‌های پایتون به طور خاصی برای هوش مصنوعی و یادگیری ماشین نوشته شده‌اند و کارایی بسیاری در این زمینه دارند.
3- پایتون دارای حامیان و پشتیبانان بسیاری است.
پایتون از سال 1990 میلادی ایجاد شده و زمان کافی برای ایجاد یک جامعه حامی و پشتیبان را داشته است. به دلیل این پشتیبانی زبان آموزان پایتون می‌توانند به راحتی دانش یادگیری ماشینی خود را بهبود بخشند، که این امر منجر به افزایش محبوبیت آن می‌شود. منابع زیادی در اینترنت برای ماشین لرنینگ و کتابخانه‌های آن در پایتون وجود دارد، از آموزش‌های یادگیری ماشین GeeksforGeeks گرفته تا آموزش‌های YouTube که کمک بزرگی برای زبان‌آموزان کرده است.
4- پایتون قابل حمل و قابل توسعه میباشد.
این دلیل مهمی است که پایتون در ماشین لرنینگ بسیار محبوب شود. بسیاری از عملیات کراس زبانی به دلیل ماهیت قابل حمل (یعنی برنامهٔ نوشته شده به زبان پایتون به‌طور مشابهی در کامپیوترهای مختلف با سخت‌افزارهای متفاوت اجرا می‌شود) و قابل توسعه بودن پایتون به راحتی بر روی آن انجام می‌شوند. دانشمندان داده بسیاری وجود دارند که ترجیح می‌دهند از واحدهای پردازش گرافیکی (GPU) برای مدل‌های ML خود در دستگاه‌ها استفاده کنند و ماهیت قابل حمل پایتون برای این امر بسیار مناسب است.
منبع:
سرفصل‌های کتاب Hands On Unsupervised Learning Using Python:
- Fundamentals of Unsupervised Learning
- Unsupervised Learning Using Scikit-Learn
- Unsupervised Learning Using TensorFlow and Keras
- Deep Unsupervised Learning Using TensorFlow and Keras
فایل کتاب Hands On Unsupervised Learning Using Python را می‌توانید به صورت رایگان از سایت فقط کتاب دانلود کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.