یادگیری ماشین برای مبتدیان ۲۰۲۰
Machine Learning for Beginners 2020

با الگوریتم‌های مختلف یادگیری نظارت‌شده، بدون نظارت و تقویتی آشنا شوید.

ویژگی‌های کلیدی:
* با انواع یادگیری ماشین آشنا شوید.
* با روش‌های مختلف استخراج ویژگی آشنا شوید.
* دیدگاهی کلی در مورد نحوه عملکرد الگوریتم‌های شبکه‌های عصبی به دست آورید.
* نحوه پیاده‌سازی درخت‌های تصمیم و جنگل‌های تصادفی را بیاموزید.
* این کتاب نه‌تنها الگوریتم‌های طبقه‌بندی را توضیح می‌دهد، بلکه به انحرافات/مدل‌سازی ریاضی نیز می‌پردازد.

توضیحات:
این کتاب مفاهیم و موضوعات مهم در یادگیری ماشین را پوشش می‌دهد. با پاک‌سازی داده‌ها شروع می‌شود و مروری بر انتخاب ویژگی‌ها ارائه می‌دهد. سپس در مورد آموزش و آزمایش، اعتبارسنجی متقابل و انتخاب ویژگی‌ها صحبت می‌کند. این کتاب الگوریتم‌ها و پیاده‌سازی‌های رایج‌ترین تکنیک‌های انتخاب ویژگی را پوشش می‌دهد. سپس کتاب بر رگرسیون خطی و گرادیان کاهشی تمرکز می‌کند. برخی از تکنیک‌های مهم طبقه‌بندی مانند نزدیک‌ترین همسایه k، رگرسیون لجستیک، بیز ساده‌لوحانه و تحلیل ممیزی خطی در این کتاب پوشش داده شده است. سپس مروری بر شبکه‌های عصبی ارائه می‌دهد و پس‌زمینه بیولوژیکی، محدودیت‌های پرسپترون و مدل پس انتشار را توضیح می‌دهد. ماشین‌های بردار پشتیبان و روش‌های هسته نیز در این کتاب گنجانده شده‌اند. سپس نحوه پیاده‌سازی درخت‌های تصمیم و جنگل‌های تصادفی را نشان می‌دهد. در پایان، این کتاب مروری مختصر بر یادگیری بدون نظارت ارائه می‌دهد. تکنیک‌های مختلف استخراج ویژگی، مانند تبدیل فوریه، STFT و الگوهای باینری محلی، پوشش داده شده است. این کتاب همچنین تجزیه و تحلیل مولفه‌های اصلی و پیاده‌سازی آن را مورد بحث قرار می‌دهد.

چه چیزی یاد خواهید گرفت:
* نحوه آماده‌سازی داده‌ها برای یادگیری ماشین را بیاموزید.
* نحوه پیاده‌سازی الگوریتم‌های یادگیری از ابتدا را بیاموزید.
* از scikit-learn برای پیاده‌سازی الگوریتم‌ها استفاده کنید.
* از روش‌های مختلف انتخاب ویژگی و استخراج ویژگی استفاده کنید.
* نحوه توسعه یک سیستم تشخیص چهره را بیاموزید.

این کتاب برای چه کسانی است:
این کتاب برای دانشجویان کارشناسی و کارشناسی ارشد علوم کامپیوتر و برای متخصصانی طراحی شده است که قصد دارند به دنیای جذاب یادگیری ماشین وارد شوند. این کتاب به دانش اولیه در مورد مبانی برنامه‌نویسی، به‌ویژه پایتون، نیاز دارد.

فهرست مطالب:
1. مقدمه‌ای بر یادگیری ماشین
2. آغاز: پیش پردازش و انتخاب ویژگی
3. رگرسیون
4. طبقه‌بندی
5. شبکه‌های عصبی- I
6. شبکه‌های عصبی-II
7. ماشین‌های بردار پشتیبان
8. درخت‌های تصمیم
9. خوشه‌بندی
10. استخراج ویژگی
ضمیمه A1. برگه‌های تقلب
ضمیمه A2. تشخیص چهره
ضمیمه A3. کتابشناسی

درباره نویسنده:
هارش بهاسین محقق کاربردی یادگیری ماشین است. آقای بهاسین به‌عنوان استادیار در دانشگاه جامع همدرد، دهلی نو، خدمت کرده و به‌عنوان استاد مهمان در مؤسسات مختلف از جمله دانشگاه فناوری دهلی تدریس کرده است. پیش از آن، در توسعه سمت کلاینت C و توسعه الگوریتم کار می‌کرد.
آقای بهاسین نویسنده تعدادی مقاله است که در مجلات معتبر از جمله Soft Computing، Springer، BMC Medical Informatics and Decision Making، AI and Society و غیره منتشر شده است. وی داور مجلات برجسته بوده و سردبیر تعدادی از شماره‌های ویژه بوده است. وی دریافت کننده یک کمک هزینه برجسته بوده است.
خارج از کار، او عمیقاً به شعر هندی، دوران مترقی. موسیقی کلاسیک هندوستانی، سازهای کوبه ای علاقه مند است.
حوزه‌های مورد علاقه او شامل ساختارهای داده، تجزیه و تحلیل و طراحی الگوریتم، نظریه محاسبات، پایتون، یادگیری ماشین و یادگیری عمیق است.
پروفایل لینکدین شما: https: //in.linkedin.com/in/harsh-bhasin-6913442

Get familiar with various Supervised, Unsupervised and Reinforcement learning algorithmsKey FeaturesUnderstand the types of Machine learning.Get familiar with different Feature extraction methods.Get an overview of how Neural Network Algorithms work.Learn how to implement Decision Trees and Random Forests. The book not only explains the Classification algorithms but also discusses the deviations/ mathematical modeling.DescriptionThis book covers important concepts and topics in Machine Learning. It begins with Data Cleansing and presents an overview of Feature Selection. It then talks about training and testing, cross-validation, and Feature Selection. The book covers algorithms and implementations of the most common Feature Selection Techniques. The book then focuses on Linear Regression and Gradient Descent. Some of the important Classification techniques such as K-nearest neighbors, logistic regression, Na ve Bayesian, and Linear Discriminant Analysis are covered in the book. It then gives an overview of Neural Networks and explains the biological background, the limitations of the perceptron, and the backpropagation model. The Support Vector Machines and Kernel methods are also included in the book. It then shows how to implement Decision Trees and Random Forests.Towards the end, the book gives a brief overview of Unsupervised Learning. Various Feature Extraction techniques, such as Fourier Transform, STFT, and Local Binary patterns, are covered. The book also discusses Principle Component Analysis and its implementation. What will you learnLearn how to prepare Data for Machine Learning.Learn how to implement learning algorithms from scratch.Use scikit-learn to implement algorithms.Use various Feature Selection and Feature Extraction methods.Learn how to develop a Face recognition system. Who this book is forThe book is designed for Undergraduate and Postgraduate Computer Science students and for the professionals who intend to switch to the fascinating world of Machine Learning. This book requires basic know-how of programming fundamentals, Python, in particular.Table of Contents1. An introduction to Machine Learning2. The beginning: Pre-Processing and Feature Selection3. Regression4. Classification5. Neural Networks- I6. Neural Networks-II7. Support Vector machines8. Decision Trees9. Clustering10. Feature ExtractionAppendixA1. Cheat SheetsA2. Face DetectionA3.Biblography About the AuthorHarsh Bhasin is an Applied Machine Learning researcher. Mr. Bhasin worked as Assistant Professor in Jamia Hamdard, New Delhi, and taught as a guest faculty in various institutes including Delhi Technological University. Before that, he worked in C# Client-Side Development and Algorithm Development.Mr. Bhasin has authored a few papers published in renowned journals including Soft Computing, Springer, BMC Medical Informatics and Decision Making, AI and Society, etc. He is the reviewer of prominent journals and has been the editor of a few special issues. He has been a recipient of a distinguished fellowship.Outside work, he is deeply interested in Hindi Poetry, progressive era; Hindustani Classical Music, percussion instruments.His areas of interest include Data Structures, Algorithms Analysis and Design, Theory of Computation, Python, Machine Learning and Deep learning. Your LinkedIn Profile: https: //in.linkedin.com/in/harsh-bhasin-6913442