کتاب Grokking Machine Learning

کتاب Grokking Machine Learning یک منبع بسیار کاربردی برای یادگیر علم Machine Learning یا یادگیری ماشین می‌باشد. این کتاب در 13 فصل به آموزش عملیاتی یادگیری ماشین و شرح تئوری‌ها و مباحث به روز این علم می‌پردازد.

در ادامه مقدمه‌ای از کتاب Grokking Machine Learning را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Grokking Machine Learning:

آینده اینجاست و آن آینده برای خود نامی دارد: یادگیری ماشین. با برنامه‌های کاربردی تقریباً در هر صنعت، از پزشکی گرفته تا بانک‌داری، از اتومبیل‌های خودران تا سفارش قهوه، علاقه به یادگیری ماشینی به سرعت روز به روز افزایش یافته است.

اما یادگیری ماشین چیست؟

بیشتر اوقات، وقتی یک کتاب یادگیری ماشین می‌خوانم یا در یک سخنرانی یادگیری ماشین شرکت می‌کنم، یا دریایی از فرمول‌های پیچیده یا دریایی از خطوط کد را می‌بینم. مدت‌ها فکر می‌کردم که این یادگیری ماشینی است و یادگیری ماشین فقط برای کسانی است که دانش کاملی از ریاضی و علوم کامپیوتر دارند. با این حال، شروع کردم به مقایسه یادگیری ماشینی با موضوعات دیگر، مانند موسیقی. تئوری و عمل موسیقی موضوعات پیچیده‌ای هستند. اما وقتی به موسیقی فکر می کنیم، به نت‌ها و مقیاس‌ها فکر نمی‌کنیم. ما به آهنگ‌ها و ملودی‌ها فکر می‌کنیم. و بعد تعجب کردم که آیا یادگیری ماشینی هم همینطور است؟ آیا واقعاً فقط یک دسته فرمول و کد است یا ملودی پشت آن وجود دارد؟

شکل 1 موسیقی فقط در مورد مقیاس‌ها و نت‌ها نیست. یک ملودی پشت تمام نکات فنی وجود دارد. به همین ترتیب، یادگیری ماشین تنها در مورد فرمول‌ها و کدها نیست. ملودی هم هست و در کتاب Grokking Machine Learning ما آن را می خوانیم.

با در نظر گرفتن این موضوع، سفری را برای درک ملودی یادگیری ماشین آغاز کردم. ماه‌ها به فرمول‌ها و کدها خیره شدم. من نمودارهای زیادی کشیدم. روی دستمال‌ها نقاشی می‌نوشتم و به خانواده، دوستان و همکارانم نشان می‌دادم. من مدل‌هایی را بر روی مجموعه داده‌های کوچک و بزرگ آموزش دادم. من آزمایش کردم. بعد از مدتی شروع به گوش دادن به ملودی یادگیری ماشینی کردم. ناگهان تصاویر بسیار زیبایی در ذهن من شکل گرفت.

من شروع به نوشتن داستان‌هایی کردم که با تمام مفاهیم یادگیری ماشینی همراه است. ملودی‌ها، عکس‌ها، داستان‌ها – این‌گونه است که من از یادگیری هر موضوعی لذت می‌برم، و این ملودی‌ها، آن تصاویر و داستان‌هایی هستند که در کتاب Grokking Machine Learning با شما به اشتراک می‌گذارم. هدف من این است که یادگیری ماشینی را به طور کامل برای هر انسانی قابل درک کنم، و این کتاب گامی در این سفر است—گامی که خوشحالم که با من می‌روید!

درباره کتاب Grokking Machine Learning

این کتاب دو چیز را به شما می‌آموزد: مدل‌های یادگیری ماشین و نحوه استفاده از آن‌ها. مدل‌های یادگیری ماشینی انواع مختلفی دارند. برخی از آن‌ها پاسخ قطعی مانند بله یا خیر را برمی گردانند، در حالی که برخی دیگر به عنوان یک احتمال پاسخ می‌دهند. برخی از آن‌ها از معادلات استفاده می‌کنند. دیگران از عبارات if استفاده می‌کنند. یک چیز مشترک آن‌ها این است که همه آن‌ها یک پاسخ یا یک پیش‌بینی را برمی‌گردانند. شاخه‌ای از یادگیری ماشین که شامل مدل‌هایی است که یک پیش‌بینی را برمی‌گردانند، به درستی یادگیری ماشین پیش‌بینی نامیده می‌شود. این نوع یادگیری ماشینی است که ما در این کتاب روی آن تمرکز می‌کنیم.

نحوه سازماندهی این کتاب Grokking Machine Learning

نقشه راه

انواع فصل این کتاب دارای دو نوع فصل است. اکثر آن‌ها (فصل‌های 3، 5، 6، 8، 9، 10، 11، و 12) هر کدام شامل یک نوع مدل یادگیری ماشین هستند. مدل مربوطه در هر فصل به تفصیل مورد مطالعه قرار گرفته است که شامل مثال‌ها، فرمول‌ها، کدها و تمرین‌هایی برای حل شما می‌شود.

سایر فصل‌ها (فصل‌های 4، 7 و 13) حاوی تکنیک‌های مفیدی برای استفاده برای آموزش، ارزیابی و بهبود مدل‌های یادگیری ماشین هستند.

به طور خاص، فصل 13 شامل یک مثال سرتاسری در یک مجموعه داده واقعی است که در آن می‌توانید تمام دانشی را که در فصل‌های قبلی به دست آورده‌اید به کار ببرید. راه‌های آموزشی پیشنهادی شما می‌توانید از کتاب Grokking Machine Learning به دو صورت استفاده کنید. چیزی که من توصیه می‌کنم این است که آن را به صورت خطی، فصل به فصل مرور کنید، زیرا خواهید دید که تناوب بین مدل‌های یادگیری و تکنیک‌های یادگیری برای آموزش آن‌ها مفید است.

با این حال، یکی دیگر از راه‌های یادگیری این است که ابتدا همه مدل‌ها (فصل‌های 3، 5، 6، 8، 9، 10، 11 و 12) را یاد بگیرید و سپس تکنیک‌های آموزش آن‌ها را یاد بگیرید (فصل های 4، 7 و 13). و البته، چون همه ما به روش‌های مختلف یاد می‌گیریم، شما می‌توانید مسیر یادگیری خود را ایجاد کنید!

ضمیمه‌ها

این کتاب دارای سه پیوست می‌باشد. ضمیمه A شامل راه حل‌های تمرینات هر فصل است. ضمیمه B حاوی برخی از مشتقات ریاضی رسمی است که مفید هستند، اما فنی‌تر از بقیه کتاب هستند. ضمیمه C شامل فهرستی از منابع و منابع است که اگر مایلید درک خود را بیشتر کنید توصیه می‌کنم.

همچنین شما می‌توانید برای یادگیری مقدماتی یادگیری ماشین از کتاب Machine Learning for Beginners نیز استفاده کنید.

سرفصل‌های کتاب Grokking Machine Learning:

• foreword
• preface
• acknowledgments
• about this book
• about the author
• 1 What is machine learning? It is common sense, except done by a computer
• 2 Types of machine learning
• 3 Drawing a line close to our points: Linear regression
• 4 Optimizing the training process: Underfitting, overfitting, testing, and regularization
• 5 Using lines to split our points: The perceptron algorithm
• 6 A continuous approach to splitting points: Logistic classifiers
• 7 How do you measure classification models? Accuracy and its friends
• 8 Using probability to its maximum: The naive Bayes model
• 9 Splitting data by asking questions: Decision trees
• 10 Combining building blocks to gain more power: Neural networks
• 11 Finding boundaries with style: Support vector machines and the kernel method
• 12 Combining models to maximize results: Ensemble learning
• 13 Putting it all in practice: A real-life example of data engineering and machine learning
• References
• index

فایل کتاب Grokking Machine Learning را می‌توانید پس از پرداخت، دریافت کنید.