کتاب Machine Learning Algorithms in Depth

درباره کتاب Machine Learning Algorithms in Depth

این کتاب به طراحی الگوریتم‌های یادگیری ماشین از ابتدا می‌پردازد. در طول کتاب، شما شهود ریاضی برای الگوریتم‌های ML کلاسیک و مدرن را توسعه می‌دهید و اصول استنتاج بیزی و یادگیری عمیق، و همچنین ساختارهای داده و پارادایم‌های الگوریتمی در ML را یاد می‌گیرید.

درک الگوریتم‌های ML از ابتدا به شما کمک می‌کند تا الگوریتم مناسب را برای کار انتخاب کنید، نتایج را توضیح دهید، مشکلات پیشرفته را عیب‌یابی کنید، الگوریتم‌ها را به برنامه‌های جدید گسترش دهید و عملکرد الگوریتم‌های موجود را بهبود بخشید.

آنچه کتاب Machine Learning Algorithms in Depth را از دیگران متمایز می‌کند، تحلیل از ابتدا است که در مورد چگونگی و چرایی عملکرد الگوریتم‌های ML به طور قابل توجهی عمیق بحث می‌کند، مجموعه‌ای دقیق از الگوریتم‌ها که من آنها را در تجربه خود به عنوان دانشجوی دکترا در یادگیری ماشین مفید و مؤثر یافتم، استخراج و پیاده‌سازی کامل الگوریتم‌های ML که در متن توضیح داده شده‌اند، و همچنین برخی از موضوعات دیگر که کمتر در متون دیگر ML یافت می‌شوند.

پس از خواندن کتاب Machine Learning Algorithms in Depth، شما یک شهود ریاضی قوی برای الگوریتم‌های ML کلاسیک و مدرن در زمینه‌های یادگیری نظارت‌شده و نظارت‌نشده خواهید داشت و تجربه در زمینه‌های اصلی ML، پردازش زبان طبیعی، بینایی کامپیوتر، بهینه‌سازی، زیست‌شناسی محاسباتی و مالی به دست خواهید آورد.

چه کسی باید کتاب Machine Learning Algorithms in Depth را بخواند؟

این کتاب برای هر کسی که علاقه‌مند به کاوش عمیق الگوریتم‌های یادگیری ماشین است، نوشته شده است. این کتاب می‌تواند برای انواع مختلف خوانندگان، از جمله موارد زیر، ارزشمند باشد:

• دانشمندان داده مشتاق
• دانشمندان داده در سطوح ابتدایی تا اصلی
• توسعه دهندگان نرم‌افزار که به دنبال انتقال به علم داده هستند
• مهندسان داده که به دنبال تعمیق دانش خود از مدل‌های ML هستند
• دانشجویان تحصیلات تکمیلی با علایق تحقیقاتی در ML
• دانشجویان کارشناسی علاقه‌مند به ML

پیش‌نیازهای خواندن کتاب Machine Learning Algorithms in Depth شامل سطح پایه مهارت‌های برنامه‌نویسی در پایتون و سطح متوسط ​​درک جبر خطی، احتمال کاربردی و حساب دیفرانسیل و انتگرال چند متغیره است.

نحوه سازماندهی کتاب Machine Learning Algorithms in Depth

این کتاب در چهار بخش ساختار یافته است. توصیه می‌شود که اگر موضوع برای شما جدید است، فصل‌ها را به ترتیب بخوانید. با این حال، اگر با موضوعی آشناتر هستید، می‌توانید به یک الگوریتم خاص مراجعه کنید.

هر فصل از کتاب Machine Learning Algorithms in Depth با چند تمرین برای کمک به شما در تمرین برخی از ابزارهای آموزش داده شده در فصل دنبال می‌شود، و شما می‌توانید برای راه‌حل این تمرین‌ها به پیوست B مراجعه کنید. همچنین، در پایان هر بخش، یک بخش تحقیقاتی در مورد یادگیری ماشین با هدف بررسی کارهای پیشرفته و تشویق خواننده به آگاهی از یک زمینه به سرعت در حال تغییر گنجانده شده است.

بخش 1 کتاب Machine Learning Algorithms in Depth انواع مختلف الگوریتم‌های ML را بررسی می‌کند، پیاده‌سازی از اصول اولیه را تشویق می‌کند و دو دسته اصلی از استنتاج بیزی – زنجیره مارکوف مونت کارلو و استنتاج вариational را معرفی می‌کند:

• فصل 1 موضوع استنتاج بیزی و یادگیری عمیق و همچنین پارادایم‌های الگوریتمی و ساختارهای داده مورد استفاده در پیاده‌سازی نرم‌افزاری الگوریتم‌های یادگیری ماشین را معرفی می‌کند.
• فصل 2 مفاهیم کلیدی بیزی را معرفی می‌کند و زنجیره مارکوف مونت کارلو را از طریق یک سری مثال، از تخمین قیمت سهام گرفته تا نمونه‌برداری Metropolis-Hastings از یک مخلوط گاوسی چند متغیره، تشویق می‌کند.
• فصل 3 بر استنتاج вариational و به ویژه، تقریب میدان میانگین در کاربرد حذف نویز تصویر در مدل آیزینگ تمرکز دارد.
• فصل 4 ساختارهای داده خطی، غیرخطی و احتمالی و همچنین چهار پارادایم الگوریتمی: جستجوی کامل، حریصانه، تقسیم و غلبه و برنامه‌نویسی پویا را مورد بحث قرار می‌دهد.

بخش 2 کتاب Machine Learning Algorithms in Depth الگوریتم‌های یادگیری نظارت‌شده را بررسی می‌کند. الگوریتم‌های یادگیری نظارت‌شده شامل نمونه‌های برچسب‌گذاری شده به عنوان بخشی از مجموعه داده آموزشی هستند و شامل دو کلاس اصلی – طبقه‌بندی و رگرسیون – هستند:

• فصل 5 بر الگوریتم‌های طبقه‌بندی تمرکز دارد. ما چندین الگوریتم کلاسیک، از جمله پرسپترون، SVM، رگرسیون لجستیک، بیز ساده و درخت‌های تصمیم را استخراج خواهیم کرد.
• فصل 6 چهار الگوریتم رگرسیون جذاب را برجسته می‌کند: رگرسیون خطی بیزی، رگرسیون بیزی سلسله مراتبی، رگرسیون KNN و رگرسیون فرآیند گاوسی.
• فصل 7 مجموعه‌ای منتخب از الگوریتم‌های یادگیری نظارت‌شده، از جمله مدل‌های مارکوف، مانند الگوریتم‌های رتبه‌بندی صفحه و مدل‌های مخفی مارکوف. استراتژی‌های یادگیری نامتعادل؛ یادگیری فعال؛ بهینه‌سازی بیزی برای انتخاب بیش پارامتر؛ و روش‌های ensemble را ارائه می‌دهد.

بخش 3 کتاب Machine Learning Algorithms in Depth الگوریتم‌های یادگیری نظارت‌نشده را بررسی می‌کند. یادگیری نظارت‌نشده زمانی اتفاق می‌افتد که هیچ برچسب آموزشی در دسترس نباشد. در مورد یادگیری نظارت‌نشده، ما اغلب علاقه‌مند به کشف الگوها در داده‌ها و یادگیری نمایش داده‌ها هستیم.

• فصل 8 با نگاهی به امتداد ناپارامتری بیزی الگوریتم K-means و به دنبال آن الگوریتم EM برای مدل‌های مخلوط گاوسی شروع می‌شود. سپس با دو تکنیک کاهش ابعاد مختلف – یعنی PCA و t-SNE – در کاربرد یادگیری یک منیفولد تصویر ادامه خواهیم داد.
• فصل 9 بحث در مورد الگوریتم‌های یادگیری نظارت‌نشده منتخب را ادامه می‌دهد. ما با نگاهی به تخصیص دیریکله پنهان برای یادگیری مدل‌های موضوعی، و به دنبال آن تخمین‌گرهای چگالی و الگوریتم‌های یادگیری ساختار، و با نتیجه‌گیری از آنیلینگ شبیه‌سازی شده و الگوریتم‌های ژنتیکی شروع خواهیم کرد.

بخش 4 کتاب Machine Learning Algorithms in Depth الگوریتم‌های یادگیری عمیق را بررسی می‌کند. الگوریتم‌های یادگیری عمیق، زمینه یادگیری ماشین را متحول کردند و بسیاری از برنامه‌های تحقیقاتی و تجاری را که قبلاً تصور می‌شد فراتر از دسترس الگوریتم‌های کلاسیک ML هستند، امکان‌پذیر کردند.