کتاب Machine Learning with TensorFlow

کتاب Machine Learning with TensorFlow از جدیدترین کتاب‌های آموزش یادگیری ماشین به کمک نرم‌افزار TensorFlow می‌باشد. این کتاب در سه بخش به طور کلی درباره‌ی تئوری‌های یادگیری ماشین و پیاده‌سازی آن‌ها به وسیله‌ی نرم‌افزار TensorFlow می‌پردازد. این کتاب از جامع‌ترین منابع یادگیری ماشین بوده که جدیدترین و به روزترین متد این علم را به علاقه‌مندان آموزش می‌دهد.

مقدمه‌ای بر کتاب Machine Learning with TensorFlow:

این کتاب به سه قسمت تقسیم شده است.

بخش 1، “آمادگی شما برای یادگیری ماشین”، تئوری کلی یادگیری ماشین را توضیح می‌دهد و انگیزه‌هایی را برای جذب و استفاده گسترده از آن در دنیای امروز ایجاد می‌کند، و بحث را در یکی از چارچوب‌های بسیار گسترده برای پیاده‌سازی یادگیری ماشین ایجاد می‌کند: TensorFlow.

فصل 1 یادگیری ماشین را معرفی می‌کند و آن را به عنوان آموزش کامپیوتر برای طبقه‌بندی، پیش‌بینی، جمع‌بندی و شناسایی بر اساس تصاویر ورودی، متن، صدا و سایر قالب‌ها توضیح می‌دهد.

فصل 2 از کتاب Machine Learning with TensorFlow، موارد ضروری TensorFlow را در بر می‌گیرد و خواننده را با چارچوب TensorFlow آشنا می‌کند. مفهوم تنسورها: اجرای مبتنی بر نمودار؛ و روند ایجاد، آموزش و صرفه‌جویی در مدل‌ها.

بخش 2، “الگوریتم‌های یادگیری اصلی”، جعبه ابزار یادگیری ماشین شما را در اختیار شما قرار می‌دهد: رگرسیون برای یادگیری پیش‌بینی ارزش مداوم یا طبقه‌بندی برای پیش‌بینی و استنتاج گسسته. فصل‌های این قسمت جفت شده‌اند. یک فصل بر روی یک ابزار و نظریه عمومی متمرکز است، و فصل زیر مثالی دقیق از مسئله شامل تصفیه‌ی داده‌ها، تهیه، آموزش، استنباط و ارزیابی را ارائه می‌دهد. تکنیک‌های آموزش داده شده شامل رگرسیون، طبقه‌بندی، خوشه‌بندی بدون نظارت و HMMها می‌باشد. همه این فنون به این دلیل قابل توضیح هستند که شما می‌توانید مراحل فرآیند یادگیری ماشین را توضیح دهید و مستقیماً از ریاضیات و آمار برای ارزیابی ارزش آن‌ها استفاده کنید.

بیشتر بخوانید: HMMها در TensorFlow چه کاربردی دارند؟

فصل 3 شامل رگرسیون است که یک مسئله مدل‌سازی شامل ورودی مداوم و یک خروجی احتمالاً گسسته یا مداوم است.

در فصل 4 از کتاب Machine Learning with TensorFlow، داده‌های مرکز تماس تلفنی دنیای واقعی از خدمات 311 شهر نیویورک که به شهروندان کمک می‌کند، را در اختیار شما قرار می‌دهد. شما یک مجموعه داده از حجم مکالمات هفتگی را جمع‌آوری کرده و از رگرسیون برای پیش‌بینی تعداد تماس‌های مورد انتظار در هفته با دقت بالا استفاده خواهید کرد.

فصل 5 طبقه‌بندی را پوشش می‌دهد، که یک مسئله مدل‌سازی است و داده گسسته یا مداوم را به عنوان ورودی قرار می‌دهد و برچسب‌های طبقه‌بندی شده یک یا چند را به عنوان خروجی، نمایش می‌دهد.

در فصل 6 از کتاب Machine Learning with TensorFlow، از طبقه‌بندی داده‌های مرور فیلم Netflix و IMDb برای ساخت طبقه‌بندی احساسات فیلم بر اساس بررسی‌هایی که یک فیلم را مثبت یا منفی تشخیص می‌دهد، استفاده می‌شود.

فصل 7 خوشه‌بندی بدون نظارت را بیان کرده و، گروه‌بندی خودکار داده‌های ورودی را در دسته‌های گسسته و بدون برچسب نشان می‌دهد.

فصل 8 از کتاب Machine Learning with TensorFlow، خوشه‌بندی خودکار را برای ورود داده موقعیتی تلفن Android اعمال می‌کند تا به شما نشان دهد چگونه فعالیت کاربر را بر اساس داده‌های موقعیت شتاب‌سنج تلفن قابل استنباط خواهد بود.

فصل 9 شما را در مبحث HMM آسان می‌کند و نشان می‌دهد که چگونه شواهد غیرمستقیم می‌توانند منجر به تصمیم‌گیری‌های قابل توضیح شوند.

در فصل 10 از کتاب Machine Learning with TensorFlow، هنگامی که تشخیص اینکه مهندس اسم است یا فعل است، برای ورود به متن از HMM استفاده می‌شود تا طبقه‌بندی اجزای گفتار در متن از هم جدا شود. (چه زمانی نیست، درست است؟)

قسمت آخر این کتاب پارادایم شبکه عصبی را شامل می‌شود که جامعه را فرا گرفته است: کمک به اتومبیلرانی برای رانندگی خودکار، پزشکان برای تشخیص سرطان و تلفن‌ها برای استفاده از بیومتریک مانند صورت شما برای تصمیم‌گیری در مورد ورود به سیستم. یک شبکه عصبی خاص است مدل یادگیری ماشین با الهام از مغز انسان و ساختار آن به عنوان نمودار نورون‌ها که بر اساس ورودی، انتشار پیش‌بینی‌ها، اعتماد به نفس، باورها، ساختار و اشکال آتش می‌گیرد.

نورون‌ها به خوبی از مفهوم تنسورها، که گره‌هایی در یک نمودار هستند و اجازه می‌دهند اطلاعاتی مانند مقیاس مقیاس، ماتریس‌ها و بردارها در آن‌ها جریان یابد، دستکاری، تبدیل و غیره شوند – از این رو، نام چارچوب Google TensorFlow.

این بخش از کتاب شامل رمزگذاران خودکار برای فشرده‌سازی و نمایش ورودی با استفاده از لایه‌های پنهان، CNN برای طبقه‌بندی خودکار اشیا و چهره‌ها در تصاویر و شبکه‌های عصبی راجعه (RNN) برای داده‌های سری زمانی یا داده‌های گفتاری تبدیل شده به متن است. بخش 3 همچنین شامل معماری seq2seq RNN است، که می‌تواند برای مرتبط کردن متن و گزاره‌های ورودی با پاسخ های یک دستیار دیجیتال هوشمند مانند chatbot (ربات گفت و گو) استفاده شود. آخرین فصل این کتاب، شبکه‌های عصبی را برای ارزیابی سودمندی یک پارچه تاشو ربات بر اساس فیلم و تصاویر ورودی به کار می‌برد.

فصل 11 رمزگذاران خودکار را در بر می‌گیرد، داده‌های ورودی را گرفته و با استفاده از لایه‌های پنهان در یک شبکه عصبی، آن‌ها را در نمای بسیار کوچکتر جمع می‌کند.

فصل 12 از کتاب Machine Learning with TensorFlow، انواع مختلف رمزگذاران خودکار، از جمله خودکار رمزگذارهای پشته‌ای و خنثی‌سازی را بررسی می‌کند و نشان می‌دهد که چگونه شبکه یک نمایش فشرده از تصاویر از مجموعه داده CIFAR-10 را می‌آموزد.

فصل 13 خواننده را با نوع دیگری از شبکه آشنا می‌کند: یک شبکه یادگیری تقویت‌کننده عمیق، که یک سیاست بهینه برای سرمایه‌گذاری در سبد سهام را می‌آموزد.

فصل 14 از کتاب Machine Learning with TensorFlow، به طور کلی درباره CNN است، معماری عصبی که از قشر بصری الهام گرفته شده است. CNNها از چندین فیلتر کانولوشن برای ایجاد نمایشی فشرده از تصاویر ورودی و ویژگی‌های مرتبه بالاتر و پایین آن‌ها استفاده می‌کنند.

فصل 15 از کتاب Machine Learning with TensorFlow، نحوه ساخت دو CNN در دنیای واقعی را به شما می‌آموزد: یکی برای مجموعه داده‌های CIFAR-10 برای تشخیص اشیا و دیگری برای سیستم تشخیص چهره به نام VGG -Face.

فصل 16 از کتاب Machine Learning with TensorFlow، الگوی RNN برای داده‌های سری زمانی را پوشش می‌دهد و تصمیمات شبکه‌های عصبی را با گذشت زمان نشان می‌دهد، نه تنها در یک نمونه خاص.
فصل 17 به شما نحوه ساخت یک نوع مدل RNN در دنیای واقعی به نام حافظه کوتاه مدت بلند (LSTM) را برای تشخیص خودکار گفتار به متن، بازسازی معماری مدل گفتار عمیق که توسط بایدو معروف شده است، نشان می‌دهد.

فصل 18 از کتاب Machine Learning with TensorFlow، از RNNها مجدداً استفاده می‌کند و معماری seq2seq را نشان می‌دهد، که می‌تواند برای ساخت یک ربات گفت و گوی هوشمند استفاده شود که با پاسخ‌های واقع بینانه آموزش داده شده در مورد پرسش و پاسخ قبلی، به گپ کاربر پاسخ دهد.

فصل 19 کتاب را با کاوش در چشم‌انداز ابزار، با استفاده از معماری عصبی، برای ایجاد تعبیه‌های تصویر از فیلم‌های تا کردن پارچه و سپس استفاده از این تعبیه‌ها برای استنباط سودمندی هر مرحله از کار در طول زمان، برای به پایان رساندن آن، به پایان می‌رسانیم.

برای آشنایی بیشتر با TensorFlow و کاربرد آن در یادگیری عمیق می‌توانید از کتاب Deep Learning with TensorFlow، نیز استفاده کنید.

سرفصل‌های کتاب Machine Learning with TensorFlow:

• Part 1 Your machine-learning rig
  • 1 A machine-learning odyssey
  • 2 TensorFlow essentials
• Part 2 Core learning algorithms
  • 3 Linear regression and beyond
  • 4 Using regression for call-center volume prediction
  • 5 A gentle introduction to classification
  • 6 Sentiment classification: Large movie-review dataset
  • 7 Automatically clustering data
  • 8 Inferring user activity from Android accelerometer data
  • 9 Hidden Markov models
  • 10 Part-of-speech tagging and word-sense disambiguation
• Part 3 The neural network paradigm
  • 11 A peek into autoencoders
  • 12 Applying autoencoders: The CIFAR-10 image dataset
  • 13 Reinforcement learning
  • 14 Convolutional neural networks
  • 15 Building a real-world CNN: VGG -Face and VGG -Face Lite
  • 16 Recurrent neural networks
  • 17 LSTMs and automatic speech recognition
  • 18 Sequence-to-sequence models for chatbots
  • 19 Utility landscape
• index

فایل کتاب Machine Learning with TensorFlow را می‌توانید پس از پرداخت، دریافت کنید.