کتاب Python Machine Learning By Example, 4th Edition: Unlock machine learning best practices with real-world use cases (یادگیری ماشین پایتون با مثال، نسخه چهارم: بهترین شیوه‌های یادگیری ماشین را با موارد استفاده در دنیای واقعی باز کنید) مفاهیم علم یادگیری ماشین Machine Learning را با استفاده از زبان برنامه‌نویسی پایتون شرح می‌دهد.
در ادامه مقدمه‌ای از کتاب Python Machine Learning By Example را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Python Machine Learning By Example:
ویرایش چهارم کتاب “یادگیری ماشین با پایتون از طریق مثال” یک راهنمای جامع برای مبتدیان و متخصصان یادگیری ماشین است که به دنبال یادگیری تکنیک‌های پیشرفته‌تر مانند مدل‌سازی چندوجهی هستند. این ویرایش با تاکید بر بهترین شیوه‌ها، بینش‌های ارزشمندی را برای مهندسان یادگیری ماشین، دانشمندان داده و تحلیلگران ارائه می‌دهد.
با کاوش تکنیک‌های پیشرفته از جمله دو فصل جدید در مورد ترانسفورمرهای پردازش زبان طبیعی با BERT و GPT و مدل‌های بینایی کامپیوتری چندوجهی با PyTorch و Hugging Face، شما تکنیک‌های کلیدی مدل‌سازی را با استفاده از مثال‌های عملی مانند پیش‌بینی قیمت سهام و ایجاد یک موتور جستجوی تصویر یاد خواهید گرفت.
کتاب Python Machine Learning By Example با عبور از چالش‌های پیچیده، شکاف بین درک نظری و کاربرد عملی را پر می‌کند. با این راهنمای معتبر، تخصص یادگیری ماشین خود را ارتقا دهید، مشکلات پیچیده را حل کنید و پتانسیل تکنیک‌های پیشرفته در یادگیری ماشین را آزاد کنید.
کتاب Python Machine Learning By Example برای چه کسی است؟
اگر شما یک علاقه‌مند به یادگیری ماشین، تحلیلگر داده یا مهندس داده هستید که به یادگیری ماشین بسیار علاقه‌مند هستید و می‌خواهید شروع به کار روی پروژه‌های یادگیری ماشین کنید، این کتاب برای شما مناسب است. دانش قبلی برنامه‌نویسی پایتون فرض می‌شود و آشنایی اولیه با مفاهیم آماری مفید خواهد بود، اگرچه ضروری نیست.
آنچه کتاب Python Machine Learning By Example پوشش می‌دهد:
فصل 1، شروع با یادگیری ماشین و پایتون، سفر یادگیری ماشین پایتون شما را آغاز می‌کند. این فصل با تعریف یادگیری ماشین، دلیل نیاز به آن و تکامل آن در چند دهه گذشته شروع می‌شود.
سپس کارهای معمول یادگیری ماشین را مورد بحث قرار می‌دهد و چندین تکنیک اساسی کار با داده‌ها و کار با مدل‌ها را به صورت عملی و سرگرم‌کننده بررسی می‌کند. همچنین نرم‌افزار و ابزارهای مورد نیاز برای مثال‌ها و پروژه‌های فصل‌های بعدی را راه‌اندازی خواهید کرد.
فصل 2، ساخت یک موتور توصیه فیلم با نایو بیز، بر طبقه‌بندی، به ویژه طبقه‌بندی دودویی و نایو بیز تمرکز دارد. هدف این فصل از کتاب Python Machine Learning By Example، ساخت یک سیستم توصیه فیلم است.
شما مفاهیم اساسی طبقه‌بندی و در مورد نایو بیز، یک الگوریتم ساده اما قدرتمند، یاد خواهید گرفت. همچنین نحوه تنظیم دقیق یک مدل را نشان می‌دهد که یک مهارت مهم برای هر متخصص داده یا یادگیری ماشین است.
فصل 3، پیش‌بینی کلیک روی تبلیغات آنلاین با الگوریتم‌های درختی، الگوریتم‌های درختی (از جمله درخت‌های تصمیم، جنگل‌های تصادفی و درختان تقویت‌شده) را در طول حل مشکل نرخ کلیک روی تبلیغات معرفی و توضیح می‌دهد.
شما درخت‌های تصمیم را از ریشه تا برگ‌ها بررسی خواهید کرد و روی پیاده‌سازی مدل‌های درختی از ابتدا با استفاده از scikit-learn و XGBoost کار خواهید کرد. اهمیت ویژگی، انتخاب ویژگی و مجموعه نیز در کنار آن پوشش داده خواهد شد.
فصل 4، پیش‌بینی کلیک روی تبلیغات آنلاین با رگرسیون لجستیک، ادامه پروژه پیش‌بینی کلیک روی تبلیغات است با تمرکز بر یک مدل طبقه‌بندی بسیار مقیاس‌پذیر – رگرسیون لجستیک.
شما نحوه عملکرد رگرسیون لجستیک و کار با مجموعه داده‌های بزرگ را بررسی خواهید کرد. این فصل از کتاب Python Machine Learning By Example، همچنین کدگذاری متغیرهای گویشی، تنظیم L1 و L2، انتخاب ویژگی، یادگیری آنلاین و نزول گرادیان تصادفی را پوشش می‌دهد.
فصل 5، پیش‌بینی قیمت سهام با الگوریتم‌های رگرسیون، بر چندین الگوریتم رگرسیون محبوب از جمله رگرسیون خطی، درخت رگرسیون و جنگل رگرسیون تمرکز دارد.
این فصل شما را تشویق می‌کند تا از آن‌ها برای حل یک مشکل میلیاردی (یا تریلیونی دلاری) – پیش‌بینی قیمت سهام – استفاده کنید. شما با استفاده از scikit-learn و TensorFlow به تمرین حل مسائل رگرسیون خواهید پرداخت.
فصل 6، پیش‌بینی قیمت سهام با شبکه‌های عصبی مصنوعی، مدل‌های شبکه عصبی را معرفی و به طور عمیق توضیح می‌دهد.
این فصل از کتاب Python Machine Learning By Example، بلوک‌های سازنده شبکه‌های عصبی و مفاهیم مهم مانند توابع فعال‌سازی، پیش‌خور و پس‌انتشار را پوشش می‌دهد.
شما با ساخت ساده‌ترین شبکه عصبی شروع خواهید کرد و با افزودن لایه‌های بیشتر به آن، عمیق‌تر خواهید شد. ما شبکه‌های عصبی را از ابتدا پیاده‌سازی خواهیم کرد، از TensorFlow و PyTorch استفاده خواهیم کرد و یک شبکه عصبی را برای پیش‌بینی قیمت سهام آموزش خواهیم داد.
فصل 7، استخراج داده‌های مجموعه ۲۰ نیوزگروپ با تکنیک‌های تحلیل متن، مرحله دوم سفر یادگیری شما – یادگیری بدون نظارت – را آغاز می‌کند. این فصل از کتاب Python Machine Learning By Example، یک مشکل پردازش زبان طبیعی – کاوش داده‌های نیوزگروپ‌ها – را بررسی می‌کند.
شما تجربه عملی در کار با داده‌های متنی، به ویژه نحوه تبدیل کلمات و عبارات به مقادیر قابل خواندن توسط ماشین و نحوه پاکسازی کلمات بدون معنی به دست خواهید آورد.
همچنین داده‌های متنی را با استفاده از یک تکنیک کاهش بعد به نام t-SNE تجسم خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه کلمات را با بردارهای تعبیه نشان دهید.
فصل 8، کشف موضوعات زیربنایی در مجموعه داده نیوزگروپ‌ها با خوشه‌بندی و مدل‌سازی موضوعی، در مورد شناسایی گروه‌های مختلف مشاهدات از داده‌ها به صورت بدون نظارت صحبت می‌کند.
شما داده‌های نیوزگروپ‌ها را با استفاده از الگوریتم K-means خوشه‌بندی خواهید کرد و موضوعات را با استفاده از فاکتورسازی ماتریس غیر منفی و تخصیص دیریشله پنهان تشخیص خواهید داد. شما از تعداد موضوعات جالب توجهی که می‌توانید از مجموعه داده ۲۰ نیوزگروپ استخراج کنید، شگفت‌زده خواهید شد!
فصل 9، تشخیص چهره با ماشین بردار پشتیبان، سفر یادگیری نظارت شده و طبقه‌بندی را ادامه می‌دهد. به طور خاص، بر روی طبقه‌بندی چند کلاسه و طبقه‌بندهای ماشین بردار پشتیبان تمرکز دارد.
این فصل از کتاب Python Machine Learning By Example، در مورد نحوه جستجوی الگوریتم ماشین بردار پشتیبان برای یک مرز تصمیم‌گیری برای جدا کردن داده‌ها از کلاس‌های مختلف بحث می‌کند. شما الگوریتم را با scikit-learn پیاده‌سازی خواهید کرد و آن را برای حل مشکلات مختلف زندگی واقعی از جمله تشخیص چهره اعمال خواهید کرد.
فصل 10، بهترین شیوه‌های یادگیری ماشین، هدف دارد تا یادگیری شما را به طور کامل اثبات کند و شما را برای پروژه‌های دنیای واقعی آماده کند. این فصل از کتاب Python Machine Learning By Example، شامل 21 بهترین شیوه برای پیروی در کل جریان کار یادگیری ماشین است.
فصل 11، طبقه‌بندی تصاویر لباس با شبکه‌های عصبی کانولوشن، در مورد استفاده از شبکه‌های عصبی کانولوشن (CNN)، یک مدل یادگیری ماشین مدرن بسیار قدرتمند، برای طبقه‌بندی تصاویر لباس است. این فصل از کتاب Python Machine Learning By Example، بلوک‌های سازنده و معماری CNNها و پیاده‌سازی آن‌ها با استفاده از PyTorch را پوشش می‌دهد.
پس از بررسی داده‌های تصاویر لباس، مدل‌های CNN را برای طبقه‌بندی تصاویر به ده کلاس توسعه خواهید داد و از تکنیک‌های افزایش داده و انتقال یادگیری برای تقویت طبقه‌بندی استفاده خواهید کرد.
فصل 12، پیش‌بینی با دنباله‌ها با استفاده از شبکه‌های عصبی بازگشتی، با تعریف یادگیری دنباله‌ای و بررسی چگونگی مناسب بودن شبکه‌های عصبی بازگشتی (RNN) برای آن شروع می‌شود. شما انواع مختلف RNNها و کاربردهای رایج آن‌ها را یاد خواهید گرفت.
شما RNNها را با PyTorch پیاده‌سازی خواهید کرد و آن‌ها را برای حل سه مشکل جالب یادگیری دنباله‌ای اعمال خواهید کرد: تحلیل احساسات در بررسی‌های فیلم IMDb، پیش‌بینی قیمت سهام و تولید خودکار متن.
فصل 13، پیشرفت درک و تولید زبان با مدل‌های ترانسفورمر، به شبکه عصبی ترانسفورمر، طراحی شده برای یادگیری دنباله‌ای، می‌پردازد.
این فصل از کتاب Python Machine Learning By Example، بر بخش‌های حیاتی دنباله ورودی تمرکز دارد و روابط بلندمدت را بهتر از RNNها می‌گیرد. شما دو مدل پیشرفته ترانسفورمر BERT و GPT را بررسی خواهید کرد و از آن‌ها برای تحلیل احساسات و تولید متن استفاده خواهید کرد که عملکرد بهتری نسبت به فصل قبلی دارد.
فصل 14، ساخت یک موتور جستجوی تصویر با استفاده از CLIP: یک رویکرد چند وجهی، یک مدل چند وجهی، CLIP، را بررسی می‌کند که داده‌های بصری و متنی را با هم ترکیب می‌کند. این مدل قدرتمند می‌تواند ارتباط بین تصاویر و متن را درک کند.
شما به معماری آن و نحوه یادگیری آن خواهید پرداخت، سپس یک موتور جستجوی تصویر می‌سازید. در نهایت، همه چیز را با یک پروژه طبقه‌بندی تصویر صفر شات به پایان خواهید رساند و مرزهای آنچه این مدل می‌تواند انجام دهد را جابه‌جا خواهید کرد.
فصل 15، تصمیم‌گیری در محیط‌های پیچیده با یادگیری تقویتی، در مورد یادگیری از تجربه و تعامل با محیط است. پس از بررسی اصول اولیه یادگیری تقویتی، محیط FrozenLake را با یک الگوریتم برنامه‌ریزی پویای ساده بررسی خواهید کرد.
شما در مورد یادگیری مونت کارلو یاد خواهید گرفت و از آن برای تقریب و کنترل ارزش استفاده خواهید کرد. همچنین الگوریتم‌های تفاوت زمانی را توسعه خواهید داد و از Q-learning برای حل مشکل تاکسی استفاده خواهید کرد.
سرفصل‌های کتاب Python Machine Learning By Example:
- Getting Started with Machine Learning and Python
- Building a Movie Recommendation Engine
- Predicting Online Ad Click-Through with Tree-Based Algorithms
- Predicting Online Ad Click-Through with Logistic Regression
- Predicting Stock Prices with Regression Algorithms
- Predicting Stock Prices with Artificial Neural Networks
- Mining the 20 Newsgroups Dataset with Text Analysis Techniques
- Discovering Underlying Topics in the Newsgroups Dataset with Clustering and Topic Modeling
- Recognizing Faces with Support Vector Machine
- Machine Learning Best Practices
- Categorizing Images of Clothing with Convolutional Neural Networks
- Making Predictions with Sequences Using Recurrent Neural Networks
- Advancing Language Understanding and Generation with Transformer Models
- Building An Image Search Engine Using Multimodal Models
- Making Decisions in Complex Environments with Reinforcement Learning
جهت دانلود کتاب Python Machine Learning By Example می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.