معرفی و دانلود کتاب یادگیری ماشین با Python

معرفی کتاب یادگیری ماشین با Python

همان‌طور که از عنوان اثر حاضر برمی‌آید، کتاب یادگیری ماشین با Python نوشته‌ی جیسون برانلی به علاقه‌مندان به برنامه‌نویسی کمک می‌کند تا عملِ یادگیری ماشین (که به ماشین لرنینگ نیز معروف است) را در زبان برنامه‌نویسی پایتون فرا بگیرند.

درباره‌ی کتاب یادگیری ماشین با Python

در کتاب یادگیری ماشین با Python (Machine Learning Mastery With Python) اثری از جیسون برانلی (Jason Brownlee)، منظور از ماشین، اتومبیل نیست؛ بلکه منظور دستگاه‌ها و برنامه‌های کدنویسی کامپیوتر است که جیسون برانلی در این کتاب بر آن است تا راه‌ها و روش‌های متعدد یادگیری آن را به شما بیاموزد. این کتاب توضیحات لازم را مرحله‌به‌مرحله به شما ارائه می‌دهد و از زبان ساده و آسان‌فهمی در تشریحات خود استفاده می‌کند. همچنین به شما هرآنچه که لازم است در باب شیوه‌های کار با Python بدانید را آموزش می‌دهد.

این کتاب سعی دارد تا مخاطبی را که صرفاً علاقه‌مند به یادگیری سازوکار پایتون است به شخصی تبدیل سازد که پس از اتمام کتاب بتواند به عنوان یک فرد حرفه‌ای در حوزه‌ی برنامه‌نویسی و مهندسی کامپیوتر با کمک پایتون مجموعه‌ای از داده‌ها را بازنویسی و بازسازی کند و به کدنویسی بپردازد.

این کتاب به شما آموزش می‌دهد که یک مدل خلق کنید که بتواند داده‌هایی که همچنان شناسایی نشده‌اند را تشخیص دهد و مشکلاتی که به طور معمول یا پیش‌بینی‌‌نشده در سیستم Python رخ می‌دهد را به راحتی رفع کند. این کتاب همچنین تکنیک‌های جدید و نوآورانه‌ای را که در سیستم Python وجود دارد و فرا گرفتن آنان برای هرکسی آسان نیست را به شما یاد می‌دهد.

به طور کلی کتاب یادگیری ماشین با Python به شما یاد می‌دهد که چگونه دقیق‌ترین و بهترین مدل‌های برنامه‌ریزی را به اجرا درآورید و در کوتاه‌ترین زمان لازم به بررسی و حل مشکلاتی بپردازید که ممکن است برای مدل‌های برنامه‌ریزی شما به وجود آید. در این اثر برانلی سعی کرده تا هر روشی که می‌تواند به یک برنامه‌نویس تازه کار کمک کند، در کتاب خود به مخاطبان ارائه دهد.

این کتاب با ترجمه رامین مولاناپور و از انتشارات آتی نگر منتشر شده است.

کتاب یادگیری ماشین با Python برای چه کسانی مناسب است؟

این کتاب به کسانی که با برنامه‌ی Python کار می‌کنند و به برنامه‌نویسانی که می‌خواهند گستره‌ی فعالیت‌های حرفه‌ای خود را وسعت بخشند پیشنهاد می‌شود.

در بخشی از کتاب یادگیری ماشین با Python می‌خوانیم

شما باید بدانید که الگوریتم‌های شما به چه میزان روی داده‌های ناشناخته خوب عمل می‌کنند. بهترین روش برای ارزیابی عملکرد یک الگوریتم، انجام پیش‌بینی‌ها برای داده‌های جدید است که شما هم‌اکنون پاسخ‌های آن‌ها را می‌دانید. دومین روش بهتر، استفاده از تکنیک‌های هوشیارانه آماری به نام روش‌های باز نمونه‌گیری است که به شما اجازه انجام تخمین‌های دقیق در مورد میزان خوبی الگوریتمی که روی داده‌های جدید انجام می‌دهید، می‌دهد. در این فصل، پی خواهید برد که چگونه می‌توانید دقت الگوریتم‌های یادگیری ماشین را با استفاده از روش‌های باز نمونه‌گیری در Python و Scikit-Learn در مجموعه داده Pima Indians برآورد کنید. اجازه دهید شروع کنیم.

ارزیابی الگوریتم‌های یادگیری ماشین: چرا نمی‌توانید الگوریتم یادگیری ماشین خود را در مجموعه داده آموزشی خود مهیا کنید و از پیش‌بینی‌های مجموعه داده مشابهی برای ارزیابی عملکرد استفاده نمی‌کنید؟ پاسخ این سؤال، بیش‌برازش است. الگوریتمی را تصور کنید که کلیه مشاهدات نشان داده شده در طی آموزش را به خاطر می‌سپارد. اگر الگوریتم یادگیری ماشین خود را روی مجموعه داده‌ای مشابه که برای آموزش الگوریتم استفاده شده است، ارزیابی کنید، آن‌گاه الگوریتمی مثل این، دارای امتیاز کامل روی مجموعه داده آموزشی است. ولی پیش‌بینی‌هایی که این الگوریتم روی داده‌های جدید انجام می‌دهد، وحشتناک خواهد بود. ما باید الگوریتم‌های یادگیری ماشین خود را روی داده‌هایی ارزیابی کنیم که برای آموزش الگوریتم استفاده نشده‌اند. ارزیابی، برآوردی است که می‌توانید برای گفتگو درباره این مسأله استفاده کنید که الگوریتم شما به همان اندازه که فکر می‌کنید، در عمل هم جواب می‌دهد. تضمینی برای عملکرد وجود ندارد. هنگامی که عملکرد الگوریتم خود را برآورد می‌کنیم، می‌توانیم الگوریتم نهایی را روی کل مجموعه داده آموزشی دوباره آموزش دهیم و آماده استفاده عملیاتی شویم. در ادامه، قصد داریم به بررسی چهار تکنیک متفاوتی بپردازیم که می‌توانید برای تقسیم‌بندی مجموعه داده آموزشی و ایجاد برآوردهای مفید از عملکرد الگوریتم‌های یادگیری ماشین خود استفاده کنید.

فهرست مطالب کتاب

پیشگفتار
بخش اول: مقدمه
فصل اول: خوش آمدید
بخش دوم: دروس
فصل دوم: اکوسیستم Python برای یادگیری ماشین
فصل سوم: دوره‌ای فشرده برای Python و SciPy
فصل چهارم: چگونگی بارگذاری داده‌های یادگیری ماشین
فصل پنجم: شناخت داده‌ها با آمار توصیفی
فصل ششم: شناخت داده‌ها با مصورسازی
فصل هفتم: آماده‌سازی داده‌ها برای یادگیری ماشین
فصل هشتم: ‌انتخاب ویژگی‌ برای یادگیری ماشین
فصل نهم: ارزیابی عملکرد الگوریتم‌های یادگیری ماشین با بازنمونه‌گیری
فصل دهم: معیارهای عملکرد الگوریتم یادگیری ماشین
فصل یازدهم: الگوریتم‌های دسته‌بندی نمونه‌سنجی
فصل دوازدهم: نمونه‌سنجی الگوریتم‌های رگرسیون
فصل سیزدهم: ‌ مقایسه الگوریتم‌های یادگیری ماشین
فصل چهاردهم: خودکار کردن گردش کارهای یادگیری ماشین با Pipelines
فصل پانزدهم: بهبود عملکرد با مجموع‌ها
فصل شانزدهم: بهبود عملکرد با میزان‌سازی الگوریتم
فصل هفدهم: ذخیره‌سازی و بارگذاری مدل‌های یادگیری ماشین
بخش سوم: پروژه‌ها
فصل هجدهم: قالب پروژه مدل‌سازی پیش‌بینانه
فصل نوزدهم: ‌ اولین پروژه یادگیری ماشین در Python به‌صورت گام به گام
فصل بیستم: پروژه مطالعه موردی یادگیری ماشین رگرسیون
فصل بیست‌ویکم: پروژه مطالعه موردی یادگیری ماشین دسته‌بندی دودویی
فصل بیست‌ودوم: پروژه‌های مدل‌سازی پیش‌بینانه بیشتر
بخش چهارم: نتایج
فصل بیست‌وسوم: چقدر به شما می‌آید
فصل بیست‌وچهارم: گرفتن راهنمایی بیشتر