کتاب Machine Learning with LightGBM and Python

کتاب Machine Learning with LightGBM and Python: A practitioner’s guide to developing production-ready machine learning systems (یادگیری ماشین با LightGBM و Python: راهنمای عملی برای توسعه سیستم‌های یادگیری ماشینی آماده تولید) با استفاده از LightGBM و زبان برنامه‌نویسی پایتون مفاهیم مهم یادگیری ماشین را پیاده‌سازی و شرح می‌دهد.

در ادامه مقدمه‌ای از را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning with LightGBM and Python:

به یادگیری ماشین با LightGBM و Python خوش آمدید: راهنمای عملی برای توسعه سیستم‌های یادگیری ماشینی آماده تولید. در این کتاب، شما سفری غنی را آغاز خواهید کرد و شما را از اصول اساسی یادگیری ماشینی به قلمروهای پیشرفته MLO ها می‌برد. سنگ بنای کاوش ما LightGBM است، یک چارچوب قدرتمند و انعطاف‌پذیر تقویت‌کننده گرادیان که می‌تواند برای طیف گسترده‌ای از چالش‌های یادگیری ماشینی مهار شود.

کتاب Machine Learning with LightGBM and Python برای هر کسی که علاقه‌مند به تبدیل داده‌های خام به بینش‌های عملی با استفاده از قدرت یادگیری ماشین (ML) است، ساخته شده است. چه یک مبتدی ML باشید که مشتاق است دستان خود را کثیف کند یا یک دانشمند داده با تجربه که به دنبال تسلط بر پیچیدگی‌های LightGBM هستید، چیزی در اینجا برای شما وجود دارد.

عصر دیجیتال ما را به گنجینه ای از داده‌ها مجهز کرده است. با این حال، چالش‌ها اغلب در استخراج بینش‌های معنادار از این داده‌ها و به کارگیری مدل‌های مقیاس‌پذیر، کارآمد و قابل اعتماد در محیط‌های تولید نهفته است. این کتاب شما را در غلبه بر این چالش‌ها راهنمایی می‌کند. با غواصی در تقویت گرادیان، چرخه حیات علم داده، و تفاوت‌های ظریف در استقرار تولید، مجموعه ای از مهارت‌های جامع برای حرکت در چشم‌انداز همیشه در حال تکامل ML به دست خواهید آورد.

هر فصل کتاب Machine Learning with LightGBM and Python با در نظر گرفتن عملی بودن طراحی شده است. مطالعات موردی در دنیای واقعی که با بینش‌های نظری در هم آمیخته است، تضمین می‌کند که یادگیری شما بر اساس کاربردهای ملموس استوار است. تمرکز ما بر LightGBM، که گاهی اوقات تحت الشعاع الگوریتم‌های رایج‌تر قرار می‌گیرد، لنز منحصربه‌فردی برای ارزیابی و اعمال تقویت گرادیان در سناریوهای مختلف فراهم می‌کند.

برای کسانی که کنجکاو هستند که چه چیزی این کتاب را متمایز می‌کند، این رویکرد عمل گرایانه‌ی ما است. ما به فراتر رفتن از توضیح صرف الگوریتم‌ها یا ابزار افتخار می‌کنیم. در عوض، ما برنامه‌های کاربردی عملی، مطالعات موردی و چالش‌های دنیای واقعی را در اولویت قرار می‌دهیم و مطمئن می‌شویم که نه تنها در حال خواندن، بلکه «انجام» ML هستید.

همانطور که در طول فصل‌های کتاب Machine Learning with LightGBM and Python می‌گذریم، به یاد داشته باشید که دنیای ML گسترده است و دائما در حال تغییر است. کتاب Machine Learning with LightGBM and Python، در عین حال که جامع است، پله‌ای در سفر مادام‌العمر شما برای یادگیری و کاوش در حوزه است. همانطور که در دنیای LightGBM، علم داده، MLOps و موارد دیگر پیمایش می‌کنید، ذهن خود را باز، کنجکاوی خود را زنده نگه دارید و دستان خود را آماده کدنویسی کنید.

بیشتر بخوانید: کتاب Machine Learning with Python Cookbook

کتاب Machine Learning with LightGBM and Python برای چه کسی است؟

یادگیری ماشین با LightGBM و Python: راهنمای عملی برای توسعه سیستم‌های یادگیری ماشینی آماده تولید برای طیف گسترده‌ای از خوانندگان علاقه‌مند به استفاده از قدرت داده از طریق ML طراحی شده است. مخاطبان این کتاب شامل موارد زیر است:

مبتدیان در ML: افرادی که تازه وارد دنیای ML می‌شوند، این کتاب را بسیار مفید خواهند یافت. این برنامه با اصول اساسی ML شروع می‌شود و آن‌ها را با تقویت گرادیان با استفاده از LightGBM آشنا می‌کند و آن را به یک نقطه ورود عالی برای تازه واردان تبدیل می‌کند.

دانشمندان داده با تجربه و پزشکان ML: برای کسانی که قبلاً با چشم انداز ML آشنا هستند اما می‌خواهند دانش خود را در مورد LightGBM و/یا MLOps عمیق تر کنند، این کتاب بینش‌ها، تکنیک‌ها و کاربردهای عملی پیشرفته ای را ارائه می‌دهد.

مهندسان نرم افزار و معمارانی که به دنبال کسب اطلاعات بیشتر در مورد علم داده هستند: متخصصان نرم افزاری که علاقه مند به انتقال به علم داده یا ادغام ML در برنامه‌های خود هستند، این کتاب را ارزشمند خواهند یافت. کتاب Machine Learning with LightGBM and Python از نظر تئوری و عملی به ML می‌پردازد و بر برنامه‌نویسی عملی و برنامه‌های کاربردی دنیای واقعی تأکید دارد.

مهندسین MLOps و متخصصان DevOps: افرادی که در زمینه MLOps کار می‌کنند یا کسانی که مایل به درک استقرار، مقیاس‌بندی و نظارت بر مدل‌های ML در محیط‌های تولید هستند، از فصل‌های اختصاص داده شده به MLOps، خطوط لوله و استراتژی‌های استقرار بهره مند خواهند شد.

دانشگاهیان و دانشجویان: اعضای هیئت علمی تدریس ML، علوم داده یا دروس مرتبط، و همچنین دانشجویانی که این رشته‌ها را دنبال می‌کنند، این کتاب را هم یک کتاب درسی آموزنده و هم یک راهنمای عملی می‌دانند.

دانش برنامه‌نویسی پایتون ضروری است. آشنایی با نوت‌بوک‌های Jupyter و محیط‌های پایتون یک امتیاز محسوب می‌شود. هیچ دانش قبلی در مورد ML مورد نیاز نیست.

در اصل، هر کسی که تمایل به داده، پیشینه برنامه‌نویسی پایتون، و اشتیاق برای کشف دنیای چندوجهی ML با استفاده از LightGBM داشته باشد، این کتاب را به عنوان مکمل ارزشمندی در کارنامه خود خواهد یافت.

بیشتر بخوانید: کتاب Machine Learning for Emotion Analysis in Python

آنچه کتاب Machine Learning with LightGBM and Python پوشش می‌دهد:

فصل 1، معرفی یادگیری ماشین، سفر ما به ML را آغاز می‌کند و آن را از دریچه مهندسی نرم افزار مشاهده می‌کند. ما مفاهیم حیاتی را در این زمینه توضیح خواهیم داد، مانند مدل‌ها، مجموعه داده‌ها و پارادایم‌های مختلف یادگیری، و وضوح را با یک مثال عملی با استفاده از درخت‌های تصمیم‌گیری تضمین می‌کنیم.

فصل 2 کتاب Machine Learning with LightGBM and Python، آموزش گروهی – بگینگ و تقویت، به یادگیری گروهی می‌پردازد، با تمرکز بر تکنیک‌های بسته‌بندی و تقویت اعمال شده در درختان تصمیم. ما الگوریتم‌هایی مانند جنگل‌های تصادفی، درخت‌های تصمیم تقویت‌شده با گرادیان و مفاهیم پیشرفته‌تری مانند Dropout meets Additive Regression Trees (DART) را بررسی خواهیم کرد.

فصل 3 کتاب Machine Learning with LightGBM and Python، مروری بر LightGBM در پایتون، LightGBM را بررسی می‌کند، یک چارچوب پیشرفته تقویت‌کننده گرادیان با زبان آموزان مبتنی بر درخت. با برجسته کردن نوآوری‌ها و پیشرفت‌های منحصر به فرد آن برای یادگیری گروهی، شما را از طریق API های پایتون آن راهنمایی می‌کنیم. یک مثال مدل‌سازی جامع با استفاده از LightGBM، غنی‌شده با تکنیک‌های اعتبارسنجی و بهینه‌سازی پیشرفته، زمینه را برای بررسی عمیق‌تر در علم داده و سیستم‌های تولید ML فراهم می‌کند.

فصل 4 کتاب Machine Learning with LightGBM and Python، مقایسه LightGBM، XGBoost و Deep Learning، LightGBM را در مقابل دو روش برجسته مدل‌سازی داده‌های جدولی قرار می‌دهد – XGBoost و شبکه‌های عصبی عمیق (DNN)، به‌ویژه TabTransformer. ما پیچیدگی، عملکرد و هزینه محاسباتی هر روش را از طریق ارزیابی دو مجموعه داده ارزیابی خواهیم کرد. ماهیت این فصل به جای مطالعه عمیق XGBoost یا DNN ها، تعیین رقابت LightGBM در چشم انداز گسترده تر ML است.

فصل 5 کتاب Machine Learning with LightGBM and Python، بهینه سازی پارامتر LightGBM با Optuna، بر وظیفه محوری بهینه‌سازی هایپرپارامتر تمرکز می‌کند و چارچوب Optuna را به عنوان یک راه حل قوی معرفی می‌کند. این فصل با پوشش الگوریتم‌ها و استراتژی‌های بهینه‌سازی مختلف برای هرس فضای فراپارامتر، شما را از طریق یک مثال عملی از اصلاح پارامترهای LightGBM با استفاده از Optuna راهنمایی می‌کند.

فصل 6، حل مسائل علم داده‌های دنیای واقعی با LightGBM، به طور روشمند فرآیند علم داده را تجزیه می‌کند و آن را در دو مطالعه موردی متمایز – یک رگرسیون و یک مسئله طبقه بندی، به کار می‌برد. این فصل از کتاب Machine Learning with LightGBM and Python هر مرحله از چرخه حیات علم داده را روشن می‌کند. شما مدلسازی عملی را با LightGBM همراه با تئوری جامع تجربه خواهید کرد. این فصل همچنین به عنوان طرحی برای پروژه‌های علم داده با استفاده از LightGBM عمل می‌کند.

فصل 7، AutoML با LightGBM و FLAML، به یادگیری ماشین خودکار (AutoML) می‌پردازد و بر اهمیت آن در ساده‌سازی و تسریع مهندسی داده و توسعه مدل تأکید می‌کند. ما FLAML را معرفی خواهیم کرد، یک کتابخانه قابل توجه که انتخاب مدل و تنظیم دقیق را با الگوریتم‌های فراپارامتر کارآمد خودکار می‌کند. از طریق یک مطالعه موردی عملی، شما شاهد هم افزایی FLAML با LightGBM و عملکرد متحول کننده Zero-Shot AutoML خواهید بود که فرآیند تنظیم را منسوخ می‌کند.

فصل 8 کتاب Machine Learning with LightGBM and Python، خطوط لوله و MLOهای یادگیری ماشین با LightGBM، از پیچیدگی‌های مدل‌سازی به دنیای تولید ML می‌رود. این شما را با خطوط لوله ML آشنا می‌کند، از پردازش داده‌ها و ساخت مدل‌های منسجم، و سرمایه‌گذاری در MLOps، تلفیقی از DevOps و ML، که برای استقرار سیستم‌های ML انعطاف‌پذیر حیاتی است، آشنا می‌کند.

فصل 9، LightGBM MLOps با AWS SageMaker، سفر ما را به سمت Amazon SageMaker، مجموعه جامع خدمات وب آمازون برای ایجاد و نگهداری راه حل‌های ML هدایت می‌کند. ما درک خود را از خطوط لوله ML با جستجو در زمینه‌های پیشرفته مانند تشخیص سوگیری، توضیح پذیری در مدل‌ها و تفاوت‌های ظریف استقرار خودکار و مقیاس پذیر عمیق تر خواهیم کرد.

فصل 10 کتاب Machine Learning with LightGBM and Python، مدل‌های LightGBM با PostgresML، PostgresML، یک پلتفرم متمایز MLOps و یک پسوند پایگاه داده PostgreSQL را معرفی می‌کند که توسعه و استقرار مدل ML را مستقیماً از طریق SQL تسهیل می‌کند. این رویکرد، در حالی که در تضاد با سبک برنامه‌نویسی scikit-learn است که ما پذیرفته ایم، مزایای ML در سطح پایگاه داده، به ویژه در مورد کارایی حرکت داده‌ها و استنتاج سریعتر را نشان می‌دهد.

فصل 11 کتاب Machine Learning with LightGBM and Python، یادگیری توزیع شده و مبتنی بر GPU با LightGBM، به قلمرو گسترده آموزش مدل‌های LightGBM می‌پردازد، و از خوشه‌های محاسباتی توزیع‌شده و پردازنده‌های گرافیکی استفاده می‌کند. با استفاده از محاسبات توزیع‌شده، می‌فهمید که چگونه می‌توانید بارهای آموزشی را به میزان قابل توجهی تسریع کنید و مجموعه داده‌هایی را مدیریت کنید که بیش از ظرفیت حافظه یک دستگاه است.

سرفصل‌های کتاب Machine Learning with LightGBM and Python:

• Machine Learning with LightGBM and Python
• Contributors
• About the author
• About the reviewers
• Preface
• Part 1: Gradient Boosting and LightGBM Fundamentals
  • Chapter 1: Introducing Machine Learning
  • Chapter 2: Ensemble Learning – Bagging and Boosting
  • Chapter 3: An Overview of LightGBM in Python
  • Chapter 4: Comparing LightGBM, XGBoost, and Deep Learning
• Part 2: Practical Machine Learning with LightGBM
  • Chapter 5: LightGBM Parameter Optimization with Optuna
  • Chapter 6: Solving Real-World Data Science Problems with LightGBM
  • Chapter 7: AutoML with LightGBM and FLAML
• Part 3: Production-ready Machine Learning with LightGBM
  • Chapter 8: Machine Learning Pipelines and MLOps with LightGBM
  • Chapter 9: LightGBM MLOps with AWS SageMaker
  • Chapter 10: LightGBM Models with PostgresML
  • Chapter 11: Distributed and GPU-Based Learning with LightGBM
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Machine Learning with LightGBM and Python می‌توانید پس از پرداخت، دریافت کنید.