معرفی و دانلود کتاب یادگیری ماشین عملی با ML.NET

معرفی کتاب یادگیری ماشین عملی با ML.NET

محبوبیت مبحث یادگیری ماشینی (ML) و کاربرد آن در صنایع امروزی در حال افزایش است. اگر شما هم علاقه‌مند هستید تا نقشی مهم در این عرصه ایفا کنید و مطالب مربوط به آن را یاد بگیرید، کتاب یادگیری ماشین عملی با ML.NET نوشته‌ی جرد کاپلمن، شما را قادر می‌سازد تا برنامه‌های کاربردی مایکروسافت ML.NET را با مدل‌های مختلف ML و با استفاده از کد سی‌شارپ بسازید.

درباره‌ی کتاب یادگیری ماشین عملی با ML.NET

در دنیای امروزه که به سرعت در حال پیشرفت می‌باشد، یادگیری ماشینی و هوش مصنوعی بخش عظیمی از زندگی مدرن را تحت سیطره‌ی خود درآورده‌اند. همچنین، بهره‌گیری از این دانش‌ها در راستای افزایش سرسام‌آور مقدار داده‌هایی که روزانه در حال تولید هستند، باعث شده است تا بسیاری از فعالیت‌های روزانه با استفاده از تکنولوژی بسیار آسان گردد و تمامی این پیشرفت‌ها در سایه‌ی هوش مصنوعی و یادگیری ماشینی میسر شده است. حال، کتاب یادگیری ماشین عملی با ML.NET (Hands-On Machine Learning with ML.NET) نوشته‌ی جرد کاپلمن (Jarred Capellman) به قلم تحریر درآمده است تا موجب تحول دانش افراد این حوزه شود و مباحث سطح مقدماتی تا پیشرفته‌ی زمینه‌ی یادگیری ماشین را شرح دهد.

جرد کاپلمن در این اثر کوشیده است تا فرایندهای فکری خواننده دست‌خوش تغییر شوند، مهارت حل مسئله‌ی وی تقویت یابد و همچنین فرصت‌های شغلی بسیاری پیش روی او قرار بگیرد. در کتاب یادگیری ماشین عملی با ML.NET شما با یک نمای کلی از اهمیت کشف یادگیری ماشین در جامعه‌ی امروزی، مفاهیم کلیدی این مبحث، الگوریتم‌های مختلف یادگیری ماشین از جمله رگرسیون، دسته‌بندی دودویی، تشخیص ناهنجاری، تجزیه ماتریس و خوشه‌بندی آشنا خواهید شد. در ادامه نیز، چارچوب ML.NET، اجزای آن و APIها را یاد می‌گیرید. این کتاب نه‌تنها یک معرفی‌نامه‌ی مباحث مقدماتی تا پیشرفته‌ی یادگیری ماشین و ML.NET است، بلکه یک راهنمای کامل در راستای به‌کارگیری مباحث نظری به صورت عملی است. هر فصل کتاب یادگیری ماشین عملی با ML.NET شامل آموزش نحوه‌ی پیاده‌سازی یادگیری ماشین در برنامه‌های کاربردی .NET می‌شود. شما در پایان این کتاب، می‌توانید وظایف ساده تا پیچیده‌ی یادگیری ماشین را در ML.NET با آسودگی خاطر و اعتمادبه‌نفس انجام دهید.

اگر قصد دارید کتاب یادگیری ماشین عملی با ML.NET را بخوانید، نیازی نیست در حوزه‌ی یادگیری ماشین تجربه‌ای داشته باشید، اما ضروری است که شناخت کاملی از سی‌شارپ داشته باشید. البته، اگر تجربه‌ی دیگری از زبان‌های برنامه‌نویسی شی‌گرای نوع‌دار قوی مانند سی‌شارپ پلاس و یا جاوا دارید، به دلیل ساختار دستوری و الگوهای طراحی مشابه، می‌توانید از محتوای این کتاب بهره‌مند شوید.

کتاب یادگیری ماشین عملی با ML.NET توسط رامین مولاناپور ترجمه شده است و انتشارات آتی‌نگر آن را به چاپ رسانده است.

کتاب یادگیری ماشین عملی با ML.NET مناسب چه کسانی است؟

این کتاب برای توسعه‌دهندگان NET که علاقه‌مند هستند تا مدل‌های یادگیری ماشین را با استفاده از ML.NET پیاده‌سازی کنند، مناسب است. این اثر همچنین برای دانشمندان داده و توسعه‌دهندگان یادگیری ماشین که به دنبال ابزارهای مؤثر برای پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین می‌باشند نیز مفید واقع خواهد شد. لازم به ذکر است که شناخت پایه‌ای سی‌شارپ و .NET برای فراگیری مفاهیم کتاب، ضروری است.

در بخشی از کتاب یادگیری ماشین عملی با ML.NET می‌خوانیم

ارزیابی مدل: پس از آموزش مدل، آخرین گام ارزیابی مدل است. رویکرد مطلوب برای ارزیابی مدل، تاب‌آوری بخشی از مجموعه داده برای ارزیابی است. ایده پشت این قضیه، گرفتن داده‌های شناخته شده، واگذاری آن‌ها به مدل آموزش‌دیده شما و اندازه‌گیری کفایت مدل شماست. بخش کلیدی این گام، تاب‌آوری مجموعه داده نمونه از داده‌های شماست. اگر مجموعه داده holdout شما تحت تأثیر یک روش قرار بگیرد، آن‌گاه شما با احتمال بیشتری احساس بدی از عملکرد بالا یا عملکرد ضعیف آن خواهید داشت. در فصل بعد، به معیارهای ارزیابی و امتیازدهی مختلف می‌پردازیم. ML.NET رابط نسبتاً آسانی را برای ارزیابی مدل ارائه می‌دهد؛ هر چند، هر الگوریتم خصوصیات منحصربه‌فردی برای صحت‌سنجی دارد که در الگوریتم‌های مختلف تحت بررسی، آن‌ها را مرور خواهیم کرد.

بررسی انواع یادگیری: حال که گام‌های تشکیل‌دهنده فرایند ساخت مدل را شناختید، مؤلفه مهم بعدی که باید معرفی شود، دو نوع اصلی یادگیری است. انواع متعدد دیگری از یادگیری ماشین وجود دارد از جمله یادگیری تقویتی، با وجود این، برای گستره این کتاب، بر دو نوع مورد استفاده برای الگوریتم‌هایی تمرکز خواهیم داشت که ML. NET ارائه می‌دهد- یادگیری با ناظر و یادگیری بدون ناظر. اگر درباره انواع دیگر یادگیری مشتاق هستید، کتاب الگوریتم‌های یادگیری ماشین نوشته Giuseppe Bonaccorso از نشر Packt را بررسی کنید.

یادگیری با ناظر: یادگیری با ناظر متداول‌تر از یادگیری بدون ناظر است و به همین دلیل، برای بیشتر الگوریتم‌های بیان‌شده در این کتاب استفاده خواهد شد. به بیان ساده، یادگیری با ناظر مستلزم این است که شما به‌عنوان دانشمند داده، خروجی‌های شناخته‌شده را به‌عنوان بخشی از آموزش برای مدل ارسال کنید. برای نمونه، مثال انتخابات را که قبلاً در این فصل مورد بحث قرار گرفت، در نظر بگیرید. با یادگیری با ناظر، هر نقطه داده در رأی‌گیری‌های انتخابات به‌عنوان یک ویژگی که آن‌ها بابت آن رأی خواهند داد، استفاده می‌شود. این گام به‌طور سنتی در الگوریتم‌های دسته‌بندی برچسب‌گذاری نامیده می‌شود که در آن مقادیر خروجی یکی از برچسب‌های از قبل آموزش‌دیده خواهد بود.

فهرست مطالب کتاب

پیشگفتار
مخاطبان این کتاب
بردن بیشترین بهره از این کتاب
دانلود فایل‌های کد مثال
دانلود تصاویر رنگی
بخش 1: اصول و مبانی یادگیری ماشین و ML. NET
فصل 1: شروع کار با یادگیری ماشین و ML. NET
فصل 2: تنظیم محیط ML. NET
بخش 2: مدل‌های ML. NET
فصل 3: مدل رگرسیون
فصل 4: مدل دسته‌بندی
فصل 5: مدل خوشه‌بندی
فصل 6: مدل تشخیص ناهنجاری
فصل 7: مدل تجزیه ماتریس
بخش 3: یکپارچه‌سازی‌های دنیای واقعی با ML. NET
فصل 8: استفاده از ML. NET با. NET Core و Forecasting
فصل 9: استفاده از ML. NET با ASP. NET Core
فصل 10: استفاده از ML. NET با UWP
بخش 4: بسط دادن ML. NET
فصل 11: آموزش و ساخت مدل‌های تولیدی
فصل 12: استفاده از TensorFlow با ML. NET
فصل 13: استفاده از ONNX با ML. NET
بخش عکس‌های رنگی