کتاب Machine Learning for Decision Sciences With Case Studies in Python (یادگیری ماشین برای علوم تصمیم‌گیری با مطالعات موردی در پایتون)، از جدیدترین کتاب‌های حوزه‌ی یادگیری ماشین است که با رویکرد عملی با استفاده از زبان برنامه‌نویسی پایتون سعی دارد مطالب این علم را آموزش دهد. این کتاب در 13 فصل به آموزش مقدماتی تا پیشرفته‌ی یادگیری ماشین در حوزه‌ی سیستم‌های تصمیم‌گیر خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Machine Learning for Decision Sciences With Case Studies in Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine Learning for Decision Sciences With Case Studies in Python:
علم تصمیم‌گیری مجموعه‌ای از ابزارهای کمی برای اطلاع‌رسانی تصمیم‌گیری در سطح فردی و جمعیتی است. این شامل تجزیه و تحلیل تصمیم، تجزیه و تحلیل اثربخشی هزینه، بهینه‌سازی محدود، تجزیه و تحلیل ریسک و تئوری تصمیم‌گیری رفتاری است.
علم تصمیم‌گیری چارچوبی منحصربفرد برای درک و طراحی استراتژی‌هایی برای رسیدگی به چنین مشکلاتی با تمرکز بر تصمیمات به عنوان واحد مطالعه فراهم می‌کند. یادگیری ماشینی با ارزیابی تعداد زیادی راه حل در برابر داده‌های داده شده و انتخاب مناسب‌ترین مدل‌ها، مدل‌های قابل استفاده تولید می‌کند. در نتیجه، یادگیری ماشینی می‌تواند برای حل مشکلاتی که نیاز به تلاش زیادی از سوی انسان دارد، مفید باشد.
می‌تواند به طور مؤثر و دقیق قضاوت‌ها را ارائه دهد و در مورد موضوعات چالش‌برانگیز پیش‌بینی کند. بیمه‌گران ممکن است نتایج احتمالی تصمیم‌های حیاتی را با استفاده از چرخه زندگی علم داده و پلت‌فرم علوم تصمیم‌گیری، که توسط یادگیری ماشین ارائه می‌شود، پیش‌بینی کنند تا به نتایج تصمیم‌گیری بهینه دست یابند. پس از تصمیم‌گیری، می‌توان از نتایج برای اطلاع‌رسانی تصمیمات آتی استفاده کرد. در نتیجه، تصمیم‌گیری با ارزش بالا ساده و قابل تکرار است که هم به نفع سهامداران و هم برای بیمه‌شدگان است.
فصل 1 کتاب Machine Learning for Decision Sciences With Case Studies in Python مفاهیم اساسی علم داده و الگوهای ساختاری دخیل در علوم تصمیم‌گیری را تشریح می‌کند. رابطه بین یادگیری ماشین و آمار با مقدمه ای بر چرخه حیات علم داده برجسته می‌شود. نقش کلیدی یک دانشمند داده توضیح داده می‌شود و بر کاربردهای دنیای واقعی در این زمینه‌ها تأکید می‌شود.
در فصل دوم کتاب Machine Learning for Decision Sciences With Case Studies in Python، نیاز به برنامه نویسی پایتون در یادگیری ماشین، مبانی برنامه نویسی پایتون و ساختارهای داده و پیاده‌سازی آن‌ها با استفاده از پایتون ارائه شده است. علاوه بر این، ما خوانندگان را با مبانی NumPy، اصول Matplotlib، اصول اولیه Pandas و پیچیدگی محاسباتی مربوط به برنامه‌نویسی با استفاده از Python آشنا می‌کنیم. این فصل همچنین مثال‌های برنامه نویسی را برای مبتدیان با استفاده از پایتون ارائه می‌دهد. چند نمونه دنیای واقعی نیز به گونه‌ای برنامه‌ریزی شده‌اند که خواننده پیاده‌سازی در پایتون را با کتابخانه‌های NumPy، Pandas و Matplotlib درک کند.
فصل 3 بر مراحل درگیر در چرخه حیات تجزیه و تحلیل داده برای یادگیری ماشین تمرکز دارد. جنبه‌های درگیر در کشف داده‌ها، آماده‌سازی داده‌ها و تجزیه و تحلیل داده‌های اکتشافی، برنامه‌ریزی مدل، و ساخت مدل مشخص شده است.
خواننده همچنین در معرض فرآیند انتقال نتایج و بهینه‌سازی و عملیاتی کردن مدل‌ها قرار می‌گیرد. نقش‌ها و مسئولیت‌های اعضای درگیر در طول مراحل چرخه حیات تجزیه و تحلیل داده‌ها به تفصیل توضیح داده شده است.
فصل 4 کتاب Machine Learning for Decision Sciences With Case Studies in Python، بینشی در مورد اصول یادگیری بدون نظارت، معیارهای فاصله، مفهوم خوشه‌بندی، متداول‌ترین الگوریتم‌های خوشه بندی، کاربردهای آن‌ها برای حل مسائل در زمان واقعی و محدودیت‌های آن‌ها ارائه می‌دهد.
در فصل 5، ایده‌های اساسی در پشت همه الگوریتم‌های نظارت شده در یادگیری ماشین مورد بحث قرار می‌گیرد. مفهوم ریاضی پشت الگوریتم نظارت شده با مثال‌های کار شده و پیاده‌سازی با استفاده از پایتون به تفصیل ارائه شده است. الگوریتم نظارت شده برای مسئله رگرسیون به خوبی در این فصل با پیاده‌سازی پایتون توضیح داده شده است.
روش یادگیری نظارت شده از داده‌های برچسب‌گذاری شده یاد می‌گیرد. رگرسیون لجستیک، درخت تصمیم، و ماشین بردار پشتیبان، الگوریتم‌های مختلف طبقه‌بندی یادگیری تحت نظارت هستند که به طور گسترده مورد استفاده قرار می‌گیرند.
در فصل 6 کتاب Machine Learning for Decision Sciences With Case Studies in Python، شرح مفصلی از این الگوریتم‌ها، مدل‌سازی ریاضی، مزایا و معایب، مثال‌های حل‌شده و کاربردهای دنیای واقعی با پیاده‌سازی گام‌به‌گام در پایتون ارائه شده است.
فصل 7 کتاب Machine Learning for Decision Sciences With Case Studies in Python، تجزیه و تحلیلی را در مورد مهندسی ویژگی روشن می‌کند و الزامات اساسی برای انتخاب ویژگی‌ها، مدل‌های پوشش و تحلیل عاملی را با مثال‌های پایتون مربوطه مرور می‌کند.
در فصل 8 کتاب Machine Learning for Decision Sciences With Case Studies in Python، یادگیری هدف‌محور مبتنی بر یادگیری تقویتی را مورد بحث قرار می‌دهیم و اینکه چگونه یادگیری تقویتی (RL) در مقایسه با سایر الگوریتم‌های یادگیری ماشین متفاوت است.
عناصر RL مانند عامل، تابع خط مشی، و تابع ارزش به تفصیل توضیح داده می‌شوند و به دنبال آن الگوریتم‌های RL فرآیند تصمیم مارکوف (MDP) و برنامه‌نویسی پویا (DP) هستند. توابع ارزش، ارزیابی خط مشی و بهبودها همراه با اجرای MDP و DP در پایتون پوشش داده شده است.
فصل 9 کتاب Machine Learning for Decision Sciences With Case Studies in Python، به چند کاربرد یادگیری ماشین در صنایع مختلف برای حل مسائلی اشاره می‌کند که برنامه‌نویسی سنتی نمی‌تواند استدلال بسیاری از ترکیب‌ها را در خود جای دهد. اولین مورد استفاده، بهینه‌سازی قیمت خرده‌فروشی با استفاده از روش کشش قیمت تقاضا، قیمت دقیقی را مشخص می‌کند که در آن بیشترین سود ممکن است حاصل شود.
ما برنامه را بر اساس مجموعه داده مشتری در یک سوپرمارکت در مورد استفاده 2 – تجزیه و تحلیل سبد بازار – برجسته کردن استخراج قانون انجمن ارائه می‌کنیم. مورد استفاده 3 – پیش‌بینی فروش یک خرده‌فروش – نحوه ایجاد یک مدل یادگیری ماشینی و تعیین میزان فروش هر محصول در یک فروشگاه خاص را نشان می‌دهد.
در مورد استفاده 4، هزینه خسارت بیمه برای یک شرکت بیمه اموال و تلفات (P&C) پیش‌بینی شده است. این مطالعه موردی نشان می‌دهد که چگونه داده‌ها را پاکسازی کنیم، داده‌ها را پیش‌پردازش کنیم و با موارد پرت برخورد کنیم.
سرفصل‌های کتاب Machine Learning for Decision Sciences With Case Studies in Python:
- Cover
- Half Title
- Title Page
- Copyright Page
- Table of Contents
- Preface
- Acknowledgment
- About the Authors
- Introduction
- Chapter 1 Introduction
- Chapter 2 Overview of Python for Machine Learning
- Chapter 3 Data Analytics Life Cycle for Machine Learning
- Chapter 4 Unsupervised Learning
- Chapter 5 Supervised Learning: Regression
- Chapter 6 Supervised Learning: Classification
- Chapter 7 Feature Engineering
- Chapter 8 Reinforcement Engineering
- Chapter 9 Case Studies for Decision Sciences Using Python
- Appendix: Python Cheat Sheet for Machine Learning
- Bibliography
- Index
فایل کتاب Machine Learning for Decision Sciences With Case Studies in Python را می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.