کتاب Machine Learning with R

کتاب Machine Learning with R (یادگیری ماشینی با R: تکنیک‌هایی برای ساخت و بهبود مدل‌های یادگیری ماشین، از آماده‌سازی داده تا تنظیم مدل، ارزیابی و کار با داده‌های بزرگ، ویرایش چهارم) از جدیدترین منابع یادگیری ماشین است که به تازگی در سال 2023 به چاپ رسیده است. این کتاب علاوه بر شرح مفاهیم مهم در یادگیری ماشین، پیاده‌سازی تئوری‌ها و مدل‌های آن، به رابطه‌ی Machine Learning با Big Data یا کلان داده نیز خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Machine Learning with R را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning with R:

یادگیری ماشینی، در هسته خود، الگوریتم‌هایی را توصیف می‌کند که داده‌ها را به هوش عملی تبدیل می‌کند. این واقعیت باعث می شود که یادگیری ماشین به خوبی برای عصر امروزی داده‌های بزرگ مناسب باشد. بدون یادگیری ماشین، درک جریان‌های عظیم اطلاعاتی که اکنون در اطراف ما هستند تقریبا غیرممکن خواهد بود.

محیط برنامه نویسی آماری بین پلتفرمی و بدون هزینه به نام R مسیر ایده آلی را برای شروع به کارگیری یادگیری ماشین فراهم می‌کند. R ابزارهای قدرتمند اما آسان برای یادگیری را ارائه می‌دهد که می‌تواند به شما در یافتن بینش در داده‌های خود کمک کند. این کتاب با ترکیب مطالعات موردی عملی با تئوری ضروری مورد نیاز برای درک نحوه عملکرد این الگوریتم‌ها، تمام دانشی را که برای شروع کار با یادگیری ماشین و استفاده از روش‌های آن در پروژه‌های خود نیاز دارید، ارائه می‌کند.

کتاب Machine Learning with R برای چه کسی است؟

این کتاب برای افرادی در زمینه‌های کاربردی – تحلیلگران کسب و کار، دانشمندان علوم اجتماعی و دیگران – که به داده‌ها دسترسی دارند و امیدوارند از آن برای اقدام استفاده کنند، مورد توجه قرار گرفته است. شاید قبلاً کمی در مورد یادگیری ماشین بدانید، اما هرگز از R استفاده نکرده‌اید. یا شاید کمی در مورد R بدانید، اما در یادگیری ماشینی جدید هستید. شاید شما در هر دو کاملاً جدید باشید! در هر صورت، کتاب Machine Learning with R شما را به سرعت راه اندازی می‌کند. آشنایی کمی با مفاهیم پایه ریاضی و برنامه نویسی مفید خواهد بود، اما نیازی به تجربه قبلی نیست. تنها چیزی که نیاز دارید کنجکاوی است.

آنچه کتاب Machine Learning with R پوشش می‌دهد:

فصل 1، معرفی یادگیری ماشین، اصطلاحات و مفاهیمی را که یادگیرندگان ماشینی را تعریف و متمایز می‌کند، و همچنین روشی برای تطبیق یک کار یادگیری با الگوریتم مناسب ارائه می‌کند.

فصل 2، مدیریت و درک داده‌ها، فرصتی را فراهم می‌کند تا دستتان را در کار با داده‌ها در R کثیف کنید. ساختارهای داده ضروری و رویه‌های مورد استفاده برای بارگذاری، کاوش و درک داده‌ها مورد بحث قرار می‌گیرند.

فصل 3 کتاب Machine Learning with R، یادگیری تنبل – طبقه‌بندی با استفاده از نزدیک‌ترین همسایه‌ها، به شما می‌آموزد که چگونه یک الگوریتم یادگیری ماشینی ساده و در عین حال قدرتمند را در اولین کار دنیای واقعی خود درک کرده و به کار ببرید: شناسایی نمونه‌های بدخیم سرطان.

فصل 4، یادگیری احتمالی – طبقه‌بندی با استفاده از ساده‌لوحان، مفاهیم اساسی احتمال را که در سیستم‌های پیشرفته فیلتر هرزنامه استفاده می‌شود، نشان می‌دهد. در فرآیند ساخت فیلتر هرزنامه خود، اصول متن کاوی را خواهید آموخت.

فصل 5، تقسیم کن و غلبه کن – طبقه بندی با استفاده از درختان تصمیم گیری و قوانین، چند الگوریتم یادگیری را بررسی می‌کند که پیش‌بینی‌های آن‌ها نه تنها دقیق هستند، بلکه به راحتی توضیح داده می شوند. ما این روش‌ها را برای کارهایی که شفافیت مهم است به کار خواهیم برد.

فصل 6، پیش‌بینی داده‌های عددی – روش‌های رگرسیون، الگوریتم‌های یادگیری ماشینی را معرفی می‌کند که برای پیش‌بینی‌های عددی استفاده می‌شوند. از آنجایی که این تکنیک‌ها به شدت در زمینه آمار تعبیه شده اند، معیارهای ضروری مورد نیاز برای درک روابط عددی را نیز خواهید آموخت.

فصل 7 کتاب Machine Learning with R، روش‌های جعبه سیاه – شبکه‌های عصبی و ماشین‌های بردار پشتیبان، دو الگوریتم یادگیری ماشینی پیچیده اما قدرتمند را پوشش می‌دهد. اگرچه ممکن است ریاضیات ترسناک به نظر برسد، ما با مثال‌هایی کار خواهیم کرد که عملکرد درونی آن‌ها را به زبان ساده نشان می‌دهد.

فصل 8، یافتن الگوها – تجزیه و تحلیل سبد بازار با استفاده از قوانین انجمن، الگوریتم مورد استفاده در سیستم‌های توصیه‌ای را که توسط بسیاری از خرده‌فروشان استفاده می‌شود، نشان می‌دهد. اگر تا به حال به این فکر کرده اید که چگونه به نظر می‌رسد خرده فروشان عادات خرید شما را بهتر از خودتان می‌دانند، این فصل از کتاب Machine Learning with R اسرار آن‌ها را فاش می‌کند.

فصل 9، یافتن گروه‌های داده – خوشه‌بندی با k-means، به رویه‌ای اختصاص دارد که خوشه‌هایی از موارد مرتبط را تعیین می‌کند. ما از این الگوریتم برای شناسایی پروفایل‌ها در یک جامعه آنلاین استفاده خواهیم کرد.

فصل 10 کتاب Machine Learning with R، ارزیابی عملکرد مدل، اطلاعاتی را در مورد اندازه‌گیری موفقیت یک پروژه یادگیری ماشینی و به دست آوردن یک تخمین قابل اعتماد از عملکرد یادگیرنده در داده‌های آینده ارائه می‌کند.

فصل 11، موفقیت در یادگیری ماشینی، مشکلات رایجی را که هنگام گذار از مجموعه داده‌های کتاب درسی به مشکلات یادگیری ماشین در دنیای واقعی با آن مواجه می شود، و همچنین ابزارها، استراتژی‌ها و مهارت‌های نرم مورد نیاز برای مبارزه با این مسائل را تشریح می‌کند.

فصل 12، آماده سازی پیشرفته داده‌ها، مجموعه‌ای از بسته‌های “tidyverse” را معرفی می‌کند، که به جدال مجموعه داده‌های بزرگ برای استخراج اطلاعات معنی دار برای کمک به فرآیند یادگیری ماشین کمک می‌کند.

فصل 13، داده‌های چالش برانگیز – خیلی زیاد، خیلی کم، خیلی پیچیده، راه‌حل‌هایی را برای مجموعه‌ای از مشکلات در نظر می‌گیرد که می‌توانند پروژه یادگیری ماشین را از مسیر خارج کنند، زمانی که اطلاعات مفید در یک مجموعه داده عظیم گم می‌شوند، دقیقاً مانند سوزنی در انبار کاه.

فصل 14، ساخت یادگیرندگان بهتر، روش‌های به کار گرفته شده توسط تیم‌هایی را که در صدر جدول امتیازات مسابقات یادگیری ماشین قرار دارند، نشان می‌دهد. اگر یک رشته رقابتی دارید، یا به سادگی می‌خواهید از داده‌های خود بیشترین بهره را ببرید، باید این تکنیک‌ها را به کارنامه خود اضافه کنید.

فصل 15، استفاده از داده‌های بزرگ، مرزهای یادگیری ماشین را بررسی می‌کند. از کار با مجموعه داده‌های بسیار بزرگ گرفته تا سریع‌تر کردن کارکرد R، موضوعات تحت پوشش به شما کمک می‌کنند تا مرزهای آنچه را که با R امکان‌پذیر است پیش ببرید، و حتی به شما امکان می‌دهد از ابزارهای پیچیده‌ای که توسط سازمان‌های بزرگی مانند Google برای تشخیص تصویر و درک داده‌های متنی ایجاد شده است، استفاده کنید.

سرفصل‌های کتاب Machine Learning with R:

• Cover
• Copyright
• Contributors
• Table of Contents
• Preface
• Chapter 1: Introducing Machine Learning
• Chapter 2: Managing and Understanding Data
• Chapter 3: Lazy Learning – Classification Using Nearest Neighbors
• Chapter 4: Probabilistic Learning – Classification Using Naive Bayes
• Chapter 5: Divide and Conquer – Classification Using Decision Trees and Rules
• Chapter 6: Forecasting Numeric Data – Regression Methods
• Chapter 7: Black-Box Methods – Neural Networks and Support Vector Machines
• Chapter 8: Finding Patterns – Market Basket Analysis Using Association Rules
• Chapter 9: Finding Groups of Data – Clustering with k-means
• Chapter 10: Evaluating Model Performance
• Chapter 11: Being Successful with Machine Learning
• Chapter 12: Advanced Data Preparation
• Chapter 13: Challenging Data – Too Much, Too Little, Too Complex
• Chapter 14: Building Better Learners
• Chapter 15: Making Use of Big Data
• Other Books You May Enjoy
• Index

جهت دانلود کتاب Machine Learning with R می‌توانید پس از پرداخت، دریافت کنید.