کتاب Machine Learning for Beginners

کتاب Machine Learning for Beginners یا یادگیری ماشین برای مبتدیان، با زبانی بسیار ساده و شیوا، علم یادگیری ماشین را به همراه تئوری‌ها و مسائل مربوط به آن بیان می‌کند. این کتاب در 10 فصل با استفاده از مثال‌هایی در دنیای واقعی سعی دارد مفاهیم با ارزش یادگیری ماشین را برای شما تشریح کند. همچنین در پایان کتاب در دو قسمت ضمیمه نیز مطالبی در مورد کتابخانه Pandas در پایتون و تشخیص چهره با استفاده از یادگیری ماشین توضیح داده شده است.

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

مقدمه‌ای بر کتاب Machine Learning for Beginners:

داده‌ها توسط وب‌سایت‌ها، برنامه‌های کاربردی تلفن همراه، توزیع‌ها (به بهانه‌های مختلف) و حتی توسط دستگاه‌ها جمع‌آوری می‌شوند. این داده‌ها باید تجزیه و تحلیل شوند تا مفید واقع شوند. الگوهای استخراج شده توسط این داده‌ها را می‌توان برای بازاریابی هدفمند، برای امنیت ملی، برای تبلیغ باورها و افسانه‌ها، و برای بسیاری از وظایف دیگر استفاده کرد. یادگیری ماشین به ما کمک می‌کند تا داده‌ها را با یک مدل ساده توضیح دهیم. در حال حاضر در رشته‌های مختلف از زیست‌شناسی گرفته تا امور مالی مورد استفاده قرار می‌گیرد و از این رو به یکی از موضوعات مهم تبدیل شده است.

نیاز فوری به کتابی وجود دارد که نه تنها اصول اولیه را توضیح دهد، بلکه شامل اجراها نیز باشد. تجزیه و تحلیل مدل‌ها با استفاده از مجموعه داده‌های مختلف نیاز به توضیح دارد تا مشخص شود کدام مدل می‌تواند برای توضیح داده‌های داده شده استفاده شود. علی‌رغم وجود کتاب‌های عالی در این زمینه، هیچ یک از کتاب‌های موجود تمامی نکات فوق را پوشش نمی‌دهد.

این کتاب موضوعات اصلی در یادگیری ماشین را پوشش می‌دهد. با پاکسازی داده‌ها شروع می‌شود و یک نمای کلی از تجسم ارائه می‌دهد.

فصل اول کتاب Machine Learning for Beginners در مورد مقدمه‌ای بر یادگیری ماشین، آموزش و آزمایش، اعتبارسنجی متقابل و انتخاب ویژگی صحبت می‌کند.

فصل دوم الگوریتم‌ها و پیاده‌سازی رایج‌ترین تکنیک‌های انتخاب ویژگی مانند نسبت تشخیصی فیشر و اطلاعات متقابل را ارائه می‌کند.

فصل سوم خوانندگان را با رگرسیون خطی و گرادیان نزول آشنا می‌کند. الگوریتم‌های بعدی توسط بسیاری از الگوریتم‌ها استفاده می‌شود که بعداً در کتاب مورد بحث قرار خواهند گرفت. برخی از تکنیک‌های مهم طبقه‌بندی مانند K-نزدیک‌ترین همسایه، رگرسیون لجستیک، بیزی ساده و تحلیل تشخیص خطی در فصل بعد مورد بحث و اجرا قرار گرفته‌اند.

دو فصل بعدی بر روی شبکه‌های عصبی و اجرای آن‌ها تمرکز دارد.

فصول به طور سیستماتیک پیشینه بیولوژیکی، محدودیت‌های پرسپترون و مدل پس انتشار را توضیح می‌دهند. ماشین‌های بردار پشتیبان و روش‌های هسته در فصل بعد مورد بحث قرار گرفته‌اند. این با مروری کوتاه و اجرای Decision Trees و Random Forests دنبال می‌شود.

تکنیک‌های مختلف استخراج ویژگی در کتاب مورد بحث قرار گرفته است. این‌ها شامل تبدیل فوریه، STFT و الگوهای باینری محلی است.

کتاب Machine Learning for Beginners همچنین در مورد تجزیه و تحلیل اجزای اصلی و اجرای آن بحث می‌کند.

مفهوم روش‌های یادگیری بدون نظارت مانند K-means و خوشه‌بندی طیفی در فصل آخر مورد بحث و اجرا قرار گرفته است.

پیاده‌سازی‌ها در پایتون ارائه شده‌اند، بنابراین برگه‌های تقلب NumPy ،Pandas و Matplotlib در پیوست گنجانده شده‌اند.

همچنین شما می‌توانید برای یادگیری پیاده‌سازی تئوری‌های یادگیری ماشین با استفاده از زبان برنامه‌نویسی پایتون از کتاب Machine Learning Engineering with Python نیز استفاده نمائید.

سرفصل‌های کتاب Machine Learning for Beginners:

• 1. An Introduction to Machine Learning
• 2. The Beginning: Pre-Processing and Feature Selection
• 3. Regression
• 4. Classification
• 5. Neural Network I – The Perceptron
• 6. Neural Network II – The Multi-Layer Perceptron
• 7. Support Vector Machines
• 8. Decision Trees
• 9. Clustering
• 10. Feature Extraction
• Appendix 1. Cheat Sheet – Pandas
• Appendix 2. Face Classification
• Bibliography

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