یادگیری ماشین عمل‌گرایانه با پایتون ۲۰۲۰
Pragmatic Machine Learning with Python 2020

راهنمای آسان‌فهم برای یادگیری تکنیک‌های کاربردی یادگیری ماشین همراه با مبانی ریاضی

ویژگی‌های کلیدی:

– ترکیبی متوازن از نظریه‌های ریاضی زیربنایی و مثال‌های عملی با کد پایتون
– پوشش آخرین مباحث مانند طبقه‌بندی چندبرچسبی، متن‌کاوی، Doc2Vec، Word2Vec، خوشه‌بندی XMeans، تشخیص پرت‌افتاده‌های بدون نظارت، تکنیک‌های استقرار مدل‌های یادگیری ماشین در سیستم‌های صنعتی با PMML و غیره
– پوشش تکنیک‌های بصری‌سازی کافی و مرتبط، مختص به هر مبحث

توضیحات:

این کتاب برای متخصصان شاغلی که می‌خواهند یادگیری ماشین را از ابتدا یاد بگیرند، ایده‌آل است. فصل اول، فصلی مقدماتی خواهد بود تا خوانندگان با ایده یادگیری ماشین و نظریه‌های ریاضی مورد نیاز، آشنا شوند. ترکیبی متوازن از نظریه‌های ریاضی زیربنایی مربوط به هر موضوع یادگیری ماشین و پیاده‌سازی آن با استفاده از پایتون وجود خواهد داشت. بیشتر پیاده‌سازی‌ها بر اساس “scikit-learn” خواهد بود، اما از سایر کتابخانه‌های پایتون مانند “Gensim” یا “PyTorch” نیز برای برخی از موضوعات مانند تحلیل متن یا یادگیری عمیق استفاده خواهد شد. کتاب به فصل‌هایی بر اساس موضوعات اصلی یادگیری ماشین مانند طبقه‌بندی، رگرسیون، خوشه‌بندی، یادگیری عمیق، متن‌کاوی و غیره تقسیم می‌شود. این کتاب همچنین تکنیک‌های مختلف قرار دادن مدل‌های یادگیری ماشین در سیستم‌های صنعتی با استفاده از بیگ دیتا یا غیر بیگ دیتا و استانداردهای خروجی گرفتن مدل‌ها را توضیح می‌دهد.

چه چیزی یاد خواهید گرفت:

– با مفاهیم عملی یادگیری ماشین از پایه آشنا شوید
– یاد بگیرید چگونه مدل‌های یادگیری ماشین را در محیط عملیاتی (production) مستقر کنید
– درک کنید که چگونه “داستان‌سرایی علم داده” را انجام دهید
– موضوعات روز صنعت در مورد یادگیری ماشین را بررسی کنید

این کتاب برای چه کسانی مناسب است:

این کتاب برای متخصصان نرم‌افزار با تجربه که قصد ورود به حوزه یادگیری ماشین را دارند، ایده‌آل است. هر کسی که مایل به یادگیری مفاهیم و مدل‌های یادگیری ماشین در چرخه حیات عملیاتی (production) است.

فهرست مطالب:

1. مقدمه‌ای بر یادگیری ماشین و مقدمات ریاضی
2. طبقه‌بندی
3. رگرسیون
4. خوشه‌بندی
5. یادگیری عمیق و شبکه‌های عصبی
6. یادگیری بدون نظارت متفرقه
7. متن‌کاوی
8. مدل‌های یادگیری ماشین در محیط عملیاتی (production)
9. مطالعات موردی و داستان‌سرایی علم داده

An easy-to-understand guide to learn practical Machine Learning techniques with Mathematical foundations

KEY FEATURESÊ

– A balanced combination of underlying mathematical theories & practical examples with Python code

– Coverage of latest topics like multi-label classification, Text Mining, Doc2Vec, Word2Vec, XMeans clustering, unsupervised outlier detection, techniques to deploy ML models in production-grade systemsÊ with PMML, etc

– Coverage of sufficient & relevant visualization techniques specific to any topic

DESCRIPTIONÊ

This book will be ideal for working professionals who want to learn Machine Learning from scratch. The first chapter will be an introductory chapter to make readers comfortable with the idea of Machine Learning and the required mathematical theories. There will be a balanced combination of underlying mathematical theories corresponding to any Machine Learning topic and its implementation using Python. Most of the implementations will be based on Ôscikit-learn,Õ but other Python libraries like ÔGensimÕ or ÔPyTorchÕ will also be used for some topics like text analytics or deep learning. The book will be divided into chapters based on primary Machine Learning topics like Classification, Regression, Clustering, Deep Learning, Text Mining, etc. The book will also explain different techniques of putting Machine Learning models into production-grade systems using Big Data or Non-Big Data flavors and standards for exporting models.Ê

WHAT WILL YOU LEARNÊ

– Get familiar with practical concepts of Machine Learning from ground zero

– Learn how to deploy Machine Learning models in production

– Understand how to do ÒData Science StorytellingÓÊ

– Explore the latest topics in the current industry about Machine Learning

WHO THIS BOOK IS FORÊÊ

This book would be ideal for experienced Software Professionals who are trying to get into the field of Machine Learning. Anyone who wishes to Learn Machine Learning concepts and models in the production lifecycle.

TABLE OF CONTENTS

1. Introduction to Machine Learning & Mathematical preliminaries

2. Classification

3. Regression

4. Clustering

5. Deep Learning & Neural Networks

6. Miscellaneous Unsupervised Learning

7. Text Mining

8. Machine Learning models in production

9. Case Studies & Data Science Storytelling