کتاب Practical Guide to Applied Conformal Prediction in Python

کتاب Practical Guide to Applied Conformal Prediction in Python: Learn and apply the best uncertainty frameworks to your industry applications (راهنمای عملی پیش‌بینی منسجم کاربردی در پایتون: بهترین چارچوب‌های عدم قطعیت را بیاموزید و در برنامه‌های کاربردی صنعت خود اعمال کنید) یک منبع ضروری برای حرفه‌ای‌ها و علاقه‌مندان است که با هدف مهار قدرت چارچوب‌های عدم قطعیت در کاربردهای صنعتی خود می‌خواهند.

کتاب Practical Guide to Applied Conformal Prediction in Python بینش‌های عملی و راهنمایی‌های عملی را برای پیاده‌سازی پیش‌بینی منسجم در پایتون، یک زبان برنامه‌نویسی همه‌کاره و پرکاربرد، ارائه می‌دهد. خوانندگان یاد خواهند گرفت که چگونه از چارچوب‌های عدم قطعیت پیشرفته برای پیش‌بینی‌های قوی و مدیریت مؤثر ریسک در حوزه‌های خاص خود استفاده کنند.

در ادامه مقدمه‌ای از کتاب Practical Guide to Applied Conformal Prediction in Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Practical Guide to Applied Conformal Prediction in Python:

با «راهنمای عملی برای پیش‌بینی منسجم کاربردی در پایتون»، راهنمای جامع شما برای تسلط بر کمی‌سازی عدم قطعیت در یادگیری ماشین، سفری روشنگر را آغاز کنید. این کتاب پیچیدگی‌های پیش‌بینی منسجم را آشکار می‌کند و بر کاربرد‌های عملی که طبقه‌بندی، رگرسیون، پیش‌بینی، بینایی کامپیوتری و پردازش زبان طبیعی را در بر می‌گیرد، تمرکز دارد.

همچنین به تکنیک‌های پیچیده برای پرداختن به مجموعه داده‌های نامتعادل و چالش‌های طبقه‌بندی چند طبقه می‌پردازد و مطالعات موردی را ارائه می‌کند که نظریه را با عمل دنیای واقعی مرتبط می‌کند.

بیشتر بخوانید: کتاب MATLAB for Machine Learning

این منبع با دقت برای خوانندگان مختلف، از جمله دانشمندان داده، مهندسین یادگیری ماشین، متخصصان صنعت، محققان، دانشگاهیان و دانشجویانی که علاقه‌مند به تسلط بر کمی‌سازی عدم قطعیت و پیش‌بینی مطابق در زمینه‌های مربوطه خود هستند، ساخته شده است.

چه در حال شروع سفر خود در علم داده باشید و چه به دنبال تعمیق تخصص موجود خود باشید، این کتاب دانش بنیادی و استراتژی‌های پیشرفته لازم برای پیمایش کمی عدم قطعیت در یادگیری ماشین را با اطمینان ارائه می‌دهد.

با «راهنمای عملی پیش‌بینی منسجم کاربردی در پایتون»، بیش از دانش به دست می‌آورید. شما قدرت اعمال تکنیک‌های پیشرفته را در کاربرد‌های صنعتی به دست می‌آورید و دقت و قابلیت اطمینان مدل‌های پیش‌بینی خود را افزایش می‌دهید. از این فرصت برای ارتقای شغل خود در یادگیری ماشینی با استفاده از پتانسیل پیش‌بینی منسجم استفاده کنید.

کتاب Practical Guide to Applied Conformal Prediction in Python مال کیه؟

این نشریه برای کسانی که مجذوب پیش‌بینی منسجم هستند، خواندنی ضروری است و طیف وسیعی از متخصصان و فراگیران را ارائه می‌دهد. این به طور خاص برای دانشمندان داده، مهندسین یادگیری ماشین، مربیان و دانش پژوهان، متخصصان تحقیقاتی، توسعه‌دهندگان برنامه، دانشجویانی که علاقه به داده‌ها دارند، کارشناسان تحلیلی و آماردانانی که به گسترش دانش خود اختصاص داده‌اند، طراحی شده است.

آنچه کتاب Practical Guide to Applied Conformal Prediction in Python پوشش می‌دهد:

فصل ۱، معرفی پیش‌بینی منسجم، فصل آغازین راهنمای عملی پیش‌بینی منسجم کاربردی در پایتون به‌عنوان مقدمه‌ای اساسی برای موضوع اصلی کتاب – پیش‌بینی منسجم، عمل می‌کند. این اساس را با روشن کردن هدف Conformal Prediction به عنوان یک چارچوب قوی برای تعیین کمیت مؤثر عدم قطعیت پیش‌بینی و افزایش اعتماد در مدل‌های یادگیری ماشین ایجاد می‌کند.

در این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، ما سفری را از طریق تکامل تاریخی و تحسین رو به رشد این چارچوب دگرگون‌کننده آغاز می‌کنیم.

مفاهیم و اصول کلیدی که زیربنای پیش‌بینی منسجم هستند، مورد بررسی قرار می‌گیرند و مزایای متعدد آن را روشن می‌کنند. این فصل نشان می‌دهد که چگونه پیش‌بینی منسجم از تکنیک‌های یادگیری ماشین معمولی جداست. این تمایز را با ارائه مناطق پیش‌بینی و معیار‌های اطمینان به دست می‌آورد، که همگی با ضمانتهای اعتبار نمونه محدود پشتیبانی می‌شوند، در حالی که از نیاز به مفروضات توزیعی محدود اجتناب می‌کنند.

فصل ۲، مروری بر پیش‌بینی منسجم، در فصل دوم راهنمای عملی پیش‌بینی منسجم کاربردی در پایتون، سفری جامع به قلمرو پیش‌بینی منسجم را آغاز می‌کنیم، با تمرکز بر نقش محوری آن در تعیین کمیت عدم قطعیت پیش‌بینی.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، با پرداختن به نیاز اساسی برای کمی‌سازی عدم قطعیت در پیش‌بینی‌ها آغاز می‌شود و مفاهیم عدم قطعیت معرفتی و معرفتی را معرفی می‌کند. این بر مزایای متمایز ارائه شده توسط پیش‌بینی منسجم در مقایسه با روش‌های متداول آماری، بیزی و منطق فازی تأکید می‌کند. این مزایا شامل تضمین پوشش، آزادی از محدودیت‌های توزیعی و سازگاری با طیف وسیعی از مدل‌های یادگیری ماشین است.

بخش قابل توجهی از فصل به توضیح چگونگی عملکرد پیش‌بینی منسجم در یک زمینه طبقه‌بندی اختصاص دارد. این فرآیند پیچیده استفاده از نمرات عدم انطباق را برای سنجش همسویی بین پیش‌بینی‌ها و توزیع داده‌های آموزشی نشان می‌دهد. سپس این امتیاز‌ها به مقادیر p و سطوح اطمینان تبدیل می‌شوند و پایه و اساس ساخت مجموعه‌های پیش‌بینی را تشکیل می‌دهند.

فصل ۲ درک عمیقی از اصول پیش‌بینی منسجم و اهمیت عمیق آن در تعیین کمیت عدم قطعیت به خوانندگان ارائه می‌دهد. این دانش به‌ویژه در کاربرد‌های حیاتی که تخمین‌های اطمینان قابل اعتماد باید با پیش‌بینی‌ها همراه باشد، ارزشمند است و قابلیت اطمینان کلی نتایج را افزایش می‌دهد.

فصل ۳، مبانی پیش‌بینی منسجم، به مبانی و مبانی ریاضی زیربنای پیش‌بینی منسجم می‌پردازد. این مؤلفه‌های اساسی مانند معیار‌های عدم انطباق، مجموعه‌های کالیبراسیون و فرآیند پیش‌بینی را توضیح می‌دهد.

انواع مختلفی از معیار‌های عدم انطباق را برای طبقه‌بندی و رگرسیون پوشش می‌دهد و نقاط قوت و ضعف آن‌ها را توضیح می‌دهد. انتخاب‌های رایج مانند از دست دادن لولا، حاشیه، و خطای عادی مورد بحث قرار می‌گیرند.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، نحوه محاسبه نمرات عدم انطباق، مقادیر p، سطوح اطمینان و سطوح اعتبار را با مثال‌هایی نشان می‌دهد. همچنین نقش مجموعه‌های کالیبراسیون، پیش‌بینی منسجم آنلاین در مقابل آفلاین، و پوشش غیرشرطی در مقابل مشروط را توضیح می‌دهد.

به طور کلی، فصل ۳ خوانندگان را با درک قوی از مفاهیم اصلی و عملکرد‌های ریاضی پیش‌بینی Conformal مجهز می‌کند. با تسلط بر این مبانی، پزشکان می‌توانند از پیش‌بینی منطبق برای افزایش قابلیت اطمینان پیش‌بینی‌ها در وظایف مختلف یادگیری ماشین استفاده کنند.

فصل ۴، اعتبار و کارایی پیش‌بینی منسجم، مفاهیم معرفی‌شده در فصل قبل را بسط می‌دهد و به مفاهیم اساسی اعتبار و کارایی می‌پردازد. از طریق مثال‌های عملی، خوانندگان به اهمیت مدل‌های پیش‌بینی دقیق (بی‌طرفانه) پی خواهند برد.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، به تعاریف، معیار‌ها و نمونه‌های واقعی مدل‌های معتبر و کارآمد می‌پردازد. ما همچنین ضمانتهای اعتبار ذاتی ارائه شده توسط پیش‌بینی منسجم را بررسی خواهیم کرد.

با نتیجه‌گیری فصل، شما دانش لازم برای ارزیابی و افزایش اعتبار و کارایی مدل‌های پیش‌بینی خود را خواهید داشت و در‌ها را به روی برنامه‌های قابل اعتمادتر و تأثیرگذارتر در زمینه‌های مربوطه خود باز می‌کنید.

فصل ۵، انواع پیش‌بینی‌کننده‌های منسجم، این فصل به بررسی قلمرو جذاب پیش‌بینی‌کننده‌های منسجم می‌پردازد، انواع مختلف و ویژگی‌های منحصربه‌فرد آن‌ها را بررسی می‌کند. موضوعات کلیدی پوشش داده شده شامل اصول اساسی پیش‌بینی منسجم و ارتباط آن در یادگیری ماشین است.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، هم پیش‌بینی‌کننده‌های هم‌نوع انتقالی و هم استقرایی کلاسیک را توضیح می‌دهد و خوانندگان را در انتخاب نوع مناسب پیش‌بینی‌کننده منطبق بر اساس نیاز‌های مشکل خاصشان راهنمایی می‌کند. علاوه بر این، موارد استفاده عملی از پیش‌بینی‌کننده‌های منسجم در طبقه‌بندی باینری، طبقه‌بندی چند کلاسه، و رگرسیون نیز ارائه شده‌اند.

فصل ۶، پیش‌بینی منسجم برای طبقه‌بندی، این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، انواع مختلف پیش‌بینی‌کننده‌های منسجم را برای تعیین کمیت عدم قطعیت در پیش‌بینی‌های یادگیری ماشین بررسی می‌کند.

این مبانی پیش‌بینی منسجم استقرایی کلاسیک (TCP) و پیش‌بینی منسجم القایی کارآمدتر (ICP) را پوشش می‌دهد. TCP از مجموعه داده کامل برای آموزش استفاده می‌کند اما برای هر پیش‌بینی جدید نیاز به بازآموزی مدل دارد. ICP داده‌ها را به مجموعه‌های آموزشی و کالیبراسیون تقسیم می‌کند و یک بار آموزش به سرعت محاسباتی دست می‌یابد. مبادلات بین انواع مورد بحث قرار می‌گیرد.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python توضیحات الگوریتمی را برای اعمال TCP و ICP در مسائل طبقه‌بندی و رگرسیون ارائه می‌دهد. این کار از طریق محاسبه امتیازات عدم انطباق، مقادیر p و مناطق پیش‌بینی به تفصیل با استفاده از نمونه‌های کد انجام می‌شود.

دستورالعمل‌هایی در مورد انتخاب پیش‌بینی‌کننده منسجم مناسب بر اساس عواملی مانند اندازه داده، الزامات بلادرنگ و محدودیت‌های محاسباتی ارائه شده است. موارد استفاده مثال نشان می‌دهد که چه زمانی TCP یا ICP ترجیح داده می‌شود.

ما همچنین تکنیک‌های تخصصی را در پیش‌بینی منسجم به نام پیش‌بینی‌کننده‌های Venn-ABERS معرفی می‌کنیم.

به طور کلی، این فصل به خوانندگان درک کاملی از انواع مختلف پیش‌بینی‌کننده‌های منسجم موجود و نحوه انتخاب رویکرد بهینه بر اساس زمینه مشکل ارائه می‌دهد.

فصل ۷ کتاب Practical Guide to Applied Conformal Prediction in Python، پیش‌بینی منسجم برای رگرسیون، این فصل راهنمای جامعی برای تعیین کمیت عدم قطعیت برای مشکلات رگرسیون با استفاده از پیش‌بینی منسجم ارائه می‌کند. این نیاز به کمی‌سازی عدم قطعیت، تکنیک‌هایی برای ایجاد فواصل پیش‌بینی، چارچوب‌های پیش‌بینی منسجم برای رگرسیون و روش‌های پیشرفته‌ای مانند رگرسیون چندکی منسجم، جکنایف+ و توزیع‌های پیش‌بینی منسجم را پوشش می‌دهد.

خوانندگان تئوری و کاربرد عملی پیش‌بینی Conformal را برای تولید فواصل و توزیع‌های پیش‌بینی معتبر و کالیبره شده خواهند آموخت. این فصل شامل توضیحات دقیق و تصاویر کد با استفاده از داده‌های قیمت مسکن در دنیای واقعی و کتابخانه‌های پایتون برای ارائه تجربه عملی در استفاده از این روش‌ها است. به طور کلی، خوانندگان دانش لازم برای تعیین کمیت عدم قطعیت و ساختن مناطق پیش‌بینی خوب کالیبره‌شده برای مشکلات رگرسیون را به دست خواهند آورد.

فصل ۸ کتاب Practical Guide to Applied Conformal Prediction in Python، پیش‌بینی منسجم برای سری‌های زمانی و پیش‌بینی، این فصل به کاربرد پیش‌بینی منسجم در حوزه پیش‌بینی سری‌های زمانی اختصاص دارد.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، با کاوش در اهمیت کمی‌سازی عدم قطعیت در پیش‌بینی آغاز می‌شود و بر مفهوم فواصل پیش‌بینی تأکید می‌کند. این روش‌های متنوعی را برای ایجاد فواصل پیش‌بینی، شامل روش‌های پارامتریک، تکنیک‌های غیرپارامتری مانند راه‌اندازی، رویکرد‌های بیزی و پیش‌بینی منسجم را پوشش می‌دهد.

پیاده‌سازی‌های عملی پیش‌بینی Conformal برای سری‌های زمانی با استفاده از کتابخانه‌هایی مانند Amazon Fortuna (روش EnbPI)، Nixtla (بسته پیش‌بینی آمار)، و NeuralProphet به نمایش گذاشته می‌شوند. نمونه‌های کد ارائه شده‌اند که تولید فواصل پیش‌بینی و ارزیابی اعتبار را نشان می‌دهد.

در اصل، فصل ۸ کتاب Practical Guide to Applied Conformal Prediction in Python خوانندگان را با ابزار‌ها و تکنیک‌های عملی برای استفاده از پیش‌بینی منطبق برای ایجاد فواصل پیش‌بینی قابل‌اعتماد و کالیبره‌شده در مدل‌های پیش‌بینی سری‌های زمانی مجهز می‌کند. با ترکیب این روش‌ها، پیش‌بینی‌کنندگان می‌توانند به طور مؤثر عدم قطعیت را کمی کنند و استحکام پیش‌بینی‌های خود را تقویت کنند.

فصل ۹، پیش‌بینی منسجم برای بینایی رایانه، در این فصل، سفری را از طریق کاربرد پیش‌بینی منسجم در قلمرو بینایی رایانه آغاز می‌کنیم.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، با تأکید بر اهمیت مهم تعیین کمیت عدم قطعیت در وظایف بینایی، به‌ویژه در حوزه‌هایی با پیامد‌های حیاتی ایمنی مانند تصویربرداری پزشکی و رانندگی مستقل آغاز می‌شود. این به یک چالش رایج در یادگیری عمیق مدرن می‌پردازد – پیش‌بینی‌های بیش از حد اعتماد به نفس و کالیبراسیون اشتباه.

روش‌های مختلف کمی‌سازی عدم قطعیت قبل از برجسته کردن مزایای منحصر به فرد پیش‌بینی منسجم، از جمله تضمین‌های بدون توزیع آن، بررسی می‌شوند.

کاربرد‌های عملی پیش‌بینی Conformal در طبقه‌بندی تصاویر، با تمرکز بر الگوریتم RAPS، که برای تولید مجموعه‌های پیش‌بینی فشرده و پایدار مشهور است، به وضوح نشان داده شده‌اند.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، نمونه‌های کدی را ارائه می‌کند که ساخت طبقه‌بندی‌کننده‌ها را با مجموعه‌های پیش‌بینی خوب کالیبره‌شده روی داده‌های ImageNet، با استفاده از روش‌های مختلف پیش‌بینی منسجم نشان می‌دهد.

در اصل، فصل ۹ کتاب Practical Guide to Applied Conformal Prediction in Python خوانندگان را با درک ارزش کمی‌سازی عدم قطعیت در سیستم‌های بینایی کامپیوتری مجهز می‌کند. این تجربه عملی را در استفاده از پیش‌بینی Conformal برای ساخت طبقه‌بندی‌کننده‌های تصویر قابل اعتماد کامل با تخمین‌های اطمینان معتبر ارائه می‌دهد.

فصل ۱۰ کتاب Practical Guide to Applied Conformal Prediction in Python، پیش‌بینی منسجم برای پردازش زبان طبیعی، این فصل به قلمرو کمی‌سازی عدم قطعیت در پردازش زبان طبیعی (NLP) وارد می‌شود و از قدرت پیش‌بینی منسجم استفاده می‌کند.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، با بررسی ابهام ذاتی که زبان را مشخص می‌کند و پیامد‌های پیش‌بینی‌های نادرست که از مدل‌های یادگیری عمیق پیچیده ناشی می‌شوند، آغاز می‌شود.

روش‌های مختلف برای کمی‌سازی عدم قطعیت، مانند روش‌های بیزی، راه‌اندازی، و تشخیص خارج از توزیع، با دقت مقایسه می‌شوند. مکانیک استفاده از پیش‌بینی منسجم برای NLP ابهام‌زدایی شده است، که شامل محاسبه امتیازات عدم انطباق و مقادیر p است.

مزایای استفاده از پیش‌بینی منسجم برای NLP، از جمله ضمانتهای بدون توزیع، قابلیت تفسیر و سازگاری، به صراحت بیان شده است. این فصل همچنین به تحقیقات معاصر می‌پردازد، و نشان می‌دهد که چگونه پیش‌بینی مطابق، قابلیت اطمینان، ایمنی و اعتماد را در مدل‌های زبان بزرگ افزایش می‌دهد.

فصل ۱۱ کتاب Practical Guide to Applied Conformal Prediction in Python، مدیریت داده‌های نامتعادل، این فصل راه‌حل‌هایی را برای چالش یادگیری ماشینی رایج داده‌های نامتعادل، که در آن یک کلاس به شدت بر سایرین برتری دارد، بررسی می‌کند. توضیح می‌دهد که چرا این توزیع کج مشکلات پیچیده‌ای را برای مدل‌سازی پیش‌بینی ایجاد می‌کند.

این فصل رویکرد‌های سنتی مختلف مانند نمونه‌برداری بیش از حد و SMOTE را با هم مقایسه می‌کند و به مشکلات آن‌ها در مورد کالیبراسیون ضعیف مدل اشاره می‌کند. سپس پیش‌بینی Conformal را به عنوان روشی نوآورانه برای مدیریت داده‌های نامتعادل بدون به خطر انداختن قابلیت اطمینان معرفی می‌کند.

از طریق مثال‌های کد روی مجموعه داده‌های شناسایی تقلب کارت اعتباری در دنیای واقعی، این فصل استفاده از پیش‌بینی منسجم برای کالیبراسیون احتمال را حتی با داده‌های بسیار کج‌رو نشان می‌دهد. خوانندگان بهترین شیوه‌ها برای مقابله با مسائل عدم تعادل را یاد خواهند گرفت و در عین حال از پیش‌بینی احتمالی آماده تصمیم‌گیری اطمینان حاصل می‌کنند.

فصل ۱۲ کتاب Practical Guide to Applied Conformal Prediction in Python، پیش‌بینی منسجم چند طبقه، این فصل آخر به بررسی طبقه‌بندی چند طبقه‌ای می‌پردازد و اینکه چگونه پیش‌بینی منسجم را می‌توان برای مسائلی با بیش از دو دسته نتیجه به کار برد. معیار‌های ارزیابی مانند دقت، یادآوری، امتیاز F۱، از دست دادن گزارش و امتیاز بریر برای ارزیابی عملکرد مدل را پوشش می‌دهد.

این فصل از کتاب Practical Guide to Applied Conformal Prediction in Python، تکنیک‌هایی را برای گسترش الگوریتم‌های طبقه‌بندی باینری مانند ماشین‌های بردار پشتیبان یا شبکه‌های عصبی به زمینه‌های چند طبقه با استفاده از استراتژی‌های یک در مقابل همه و یک در مقابل یک توضیح می‌دهد.

سپس نشان می‌دهد که چگونه پیش‌بینی منسجم می‌تواند مجموعه‌ها یا بازه‌های پیش‌بینی را برای هر کلاس با تضمین اعتبار فراهم کند. روش‌های پیشرفته‌ای مانند پیش‌بینی‌کننده‌های Venn-ABERS برای تخمین احتمال چند طبقه نیز معرفی شده‌اند.

از طریق مثال‌های کد، این فصل نشان می‌دهد که چگونه می‌توان پیش‌بینی هم‌نوع استقرایی را در مسائل چند کلاسه پیاده‌سازی کرد، و پیش‌بینی‌هایی با اعتبار و امتیازات اطمینان به دست آورد. خوانندگان بهترین شیوه‌ها را برای به‌کارگیری پیش‌بینی منسجم در وظایف طبقه‌بندی با کلاس‌های بالقوه متعدد خواهند آموخت.

سرفصل‌های کتاب Practical Guide to Applied Conformal Prediction in Python:

• Cover
• Title Page
• Copyright and Credits
• Foreword
• Contributors
• Table of Contents
• Preface
• Part 1: Introduction
  • Chapter 1: Introducing Conformal Prediction
  • Chapter 2: Overview of Conformal Prediction
• Part 2: Conformal Prediction Framework
  • Chapter 3: Fundamentals of Conformal Prediction
  • Chapter 4: Validity and Efficiency of Conformal Prediction
  • Chapter 5: Types of Conformal Predictors
• Part 3: Applications of Conformal Prediction
  • Chapter 6: Conformal Prediction for Classification
  • Chapter 7: Conformal Prediction for Regression
  • Chapter 8: Conformal Prediction for Time Series and Forecasting
  • Chapter 9: Conformal Prediction for Computer Vision
  • Chapter 10: Conformal Prediction for Natural Language Processing
• Part 4: Advanced Topics
  • Chapter 11: Handling Imbalanced Data
  • Chapter 12: Multi-Class Conformal Prediction
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Practical Guide to Applied Conformal Prediction in Python می‌توانید پس از پرداخت، دریافت کنید.