کتاب Hands-on Machine Learning with Python یا یادگیری عملی Machine Learning با پایتون، یکی از منابع بسیار مناسب برای افراد علاقه‌مند به علم یادگیری ماشین می‌باشد. این کتاب در 3 بخش مختلف مفاهیم پایه و اساسی یادگیری ماشین را به زبان ساده توصیف کرده و آنها را با زبان برنامه‌نویسی پایتون پیاده‌سازی می‌کند.
در ادامه مقدمه‌ای از کتاب Hands-on Machine Learning with Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Hands-on Machine Learning with Python:
ما مدت‌هاست که در حال برنامه‌ریزی برای همکاری و نوشتن کتابی در زمینه یادگیری ماشینی هستیم. این رشته از زمانی که تقریباً یک دهه پیش شروع به یادگیری این موضوعات کردیم، بسیار رشد کرده و گسترش یافته است. ما متوجه شدیم که خودمان به عنوان یادگیرندگان مادام‌العمر، چند قدم اولیه در هر زمینه ای نیاز به منبع بسیار واضح‌تری دارد که یک مسیر را به وضوح نشان می‌دهد. این همچنین مستلزم مجموعه‌ای واضح از توضیحات و ایده‌های گاه‌به‌گاه است تا با خواندن، یادگیری و استفاده از آنچه آموخته‌اید، تجربه یادگیری را گسترش دهید.
ما از پایتون برای مدت طولانی در زندگی آکادمیک و مشاغل حرفه‌ای خود در توسعه نرم افزار، علم داده و یادگیری ماشین استفاده کرده‌ایم. از طریق کتاب Hands-on Machine Learning with Python، ما تلاش بسیار فروتنانه ای برای نوشتن یک راهنمای گام‌به‌گام در مورد موضوع یادگیری ماشین برای مبتدیان مطلق انجام داده‌ایم. هر فصل از کتاب دارای توضیحاتی در مورد مفاهیم استفاده شده، مثال‌های کد، توضیح مثال‌های کد و تصاویری از خروجی‌ها می‌باشد.
فصل اول راه‌اندازی محیط پایتون در پلتفرم‌های مختلف را پوشش می‌دهد. فصل دوم NumPy و Ndarrays را پوشش می‌دهد. فصل سوم به بررسی تجسم با Matplotlib می‌پردازد. فصل چهارم ما را با کتابخانه علم داده Pandas آشنا می‌کند. همه این فصل‌های اولیه، پایه‌های برنامه‌نویسی و خرد کردن داده‌های اولیه را می‌سازند که یکی از پیش‌نیازهای یادگیری ماشینی هستند.
بیشتر بخوانید: کتاب Pandas Cookbook
بخش بعدی کتاب Hands-on Machine Learning with Python رویکردهای یادگیری ماشین سنتی را مورد بحث قرار می‌دهد.
در فصل 5، ما با یک دید پرنده از حوزه یادگیری ماشین شروع می‌کنیم و سپس با نصب Scikit-learn و یک مثال کوتاه و سریع از راه حل یادگیری ماشین با Scikit-learn. فصل 6 روش‌هایی را توضیح می‌دهد که به شما کمک می‌کند داده‌های ساختاری، متنی و تصویری را درک کرده و به قالبی تبدیل کنید که توسط کتابخانه‌های یادگیری ماشین قابل قبول است.
در فصل 7 کتاب Hands-on Machine Learning with Python، روش‌های یادگیری تحت نظارت را معرفی می‌کنیم که با رگرسیون خطی برای مسائل رگرسیون و رگرسیون لجستیک و درخت‌های تصمیم برای مسائل طبقه‌بندی شروع می‌شود. در هر یک از آزمایش‌ها، ما همچنین نشان می‌دهیم که چگونه تجسم‌هایی را که الگوریتم با استفاده از نمودارهای مرزی تصمیم گرفته است، رسم کنیم. فصل هشتم در مورد تنظیم دقیق بیشتر مدل‌های یادگیری ماشین تأمل می‌کند.
ما چند ایده برای اندازه‌گیری عملکرد مدل‌ها، مسائل مربوط به بیش‌برازندگی و عدم تناسب، و رویکردهایی برای رسیدگی به چنین مسائلی و بهبود عملکرد مدل را توضیح می‌دهیم. فصل نهم بحث روش‌های یادگیری تحت نظارت به ویژه با تمرکز بر بیز ساده و ماشین‌های بردار پشتیبان را ادامه می‌دهد.
فصل دهم کتاب Hands-on Machine Learning with Python روش‌های یادگیری گروهی را توضیح می‌دهد، که راه‌حل‌هایی هستند که چندین مدل ساده‌تر را با هم ترکیب می‌کنند تا عملکردی بهتر از آنچه که ممکن است به صورت جداگانه ارائه دهند، ایجاد کنند. در فصل یازدهم، روش‌های یادگیری بدون نظارت، به ویژه تمرکز بر کاهش ابعاد، خوشه‌بندی و روش‌های الگوکاوی مکرر را مورد بحث قرار می‌دهیم. هر بخش شامل یک مثال کامل از پیاده‌سازی روش‌های مورد بحث با استفاده از Scikit-learn است.
بخش آخر با معرفی ایده‌های اساسی شبکه عصبی و یادگیری عمیق در فصل دوازدهم آغاز می‌شود. ما یک چارچوب یادگیری ماشین منبع باز بسیار محبوب، PyTorch را معرفی می‌کنیم که در مثال‌های فصل‌های بعدی استفاده خواهد شد. فصل سیزدهم با توضیح شبکه‌های عصبی مصنوعی آغاز می‌شود و به طور کامل مبانی نظری پیشخور و پس انتشار را مورد بحث قرار می‌دهد و در ادامه به بحث کوتاهی در مورد توابع اتلاف و نمونه ای از شبکه عصبی ساده می‌پردازد.
در نیمه دوم کتاب Hands-on Machine Learning with Python، نحوه ایجاد یک شبکه عصبی چندلایه را توضیح می‌دهیم که قادر به شناسایی ارقام دست نویس باشد. در فصل چهاردهم، شبکه‌های عصبی کانولوشنال را مورد بحث قرار می‌دهیم و با مثالی برای طبقه‌بندی تصویر کار می‌کنیم. فصل پانزدهم شبکه‌های عصبی مکرر را مورد بحث قرار می‌دهد و شما را از طریق یک مسئله مدل‌سازی توالی راهنمایی می‌کند. در آخرین فصل شانزدهم، استراتژی‌های برنامه‌ریزی، مدیریت و مهندسی پروژه‌های یادگیری ماشین و علم داده را مورد بحث قرار می‌دهیم. ما همچنین یک مثال کوتاه پایان به انتها از تحلیل احساسات با استفاده از یادگیری عمیق را مورد بحث قرار می‌دهیم.
اگر در این موضوع تازه‌کار هستید، به شدت به شما توصیه می‌کنیم که فصل‌ها را به ترتیب دنبال کنید، زیرا ایده‌ها بر روی یکدیگر ساخته می‌شوند. تمام بخش‌های کد را دنبال کنید و با خیال راحت ساختار کد، مجموعه داده‌ها و فراپارامترها را تغییر دهید. اگر قبلاً برخی از موضوعات را می‌دانید، به راحتی به موضوعات مورد علاقه خود بروید و بخش‌های مربوطه را به طور کامل بررسی کنید. ما برای شما بهترین‌ها را برای تجربه یادگیری خود آرزو می‌کنیم.
هر کد منبع یا سایر مطالب تکمیلی که نویسنده در کتاب Hands-on Machine Learning with Python به آنها ارجاع داده است، از طریق صفحه محصول کتاب، واقع در www.apress.com/978-1-4842-7920-5، در GitHub در دسترس خوانندگان است. برای اطلاعات بیشتر، لطفاً به http://www.apress.com/source-code مراجعه کنید.
سرفصل‌های کتاب Hands-on Machine Learning with Python:
- Cover
- Section 1. Python for Machine Learning
- 1. Getting Started with Python 3 and Jupyter Notebook
- 2. Getting Started with NumPy
- 3. Introduction to Data Visualization
- 4. Introduction to Pandas
- Section 2. Machine Learning Approaches
- 5. Introduction to Machine Learning with Scikit-learn
- 6. Preparing Data for Machine Learning
- 7. Supervised Learning Methods: Part 1
- 8. Tuning Supervised Learners
- 9. Supervised Learning Methods: Part 2
- 10. Ensemble Learning Methods
- 11. Unsupervised Learning Methods
- Section 3. Neural Networks and Deep Learning
- 12. Neural Network and PyTorch Basics
- 13. Feedforward Neural Networks
- 14. Convolutional Neural Networks
- 15. Recurrent Neural Networks
- 16. Bringing It All Together
فایل کتاب Hands-on Machine Learning with Python را می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.