ساخت سیستم‌های یادگیری ماشین با استفاده از پایتون ۲۰۲۱
Building Machine Learning Systems Using Python 2021

کاوش در تکنیک‌های یادگیری ماشین، مدل‌های پیش‌بینی‌کننده مختلف، و کاربردهای آن‌ها

ویژگی‌های کلیدی

* پوشش گسترده مثال‌های واقعی در مورد پیاده‌سازی و عملکرد مدل‌های ML.
* شامل استراتژی‌های مختلف مورد استفاده در یادگیری ماشین توسط دانشمندان داده برجسته.
* تمرکز بر مفاهیم یادگیری ماشین و تکامل آن‌ها به الگوریتم‌ها.

توضیحات

این کتاب مفاهیم اساسی یادگیری ماشین، الگوهای یادگیری مختلف، معماری‌ها و الگوریتم‌های مختلف مورد استفاده در این الگوها را پوشش می‌دهد.

شما با کاوش در تکنیک‌های مختلف مدل‌سازی پیش‌بینی‌کننده مانند رگرسیون، خوشه‌بندی و طبقه‌بندی، قدرت مدل‌های ML را خواهید آموخت. همچنین تجربه عملی در مورد روش‌ها و تکنیک‌هایی مانند بیش‌برازش، کم‌برازش، جنگل تصادفی، درخت‌های تصمیم، PCA و ماشین‌های بردار پشتیبان به دست خواهید آورد. در این کتاب، مثال‌های واقعی با پیاده‌سازی‌های کاملاً کاربردی پایتون به تفصیل مورد بحث قرار گرفته‌اند.

در پایان کتاب، در مورد یادگیری بدون نظارت شامل خوشه‌بندی سلسله مراتبی، خوشه‌بندی K-means، کاهش ابعاد، تشخیص ناهنجاری، تحلیل مولفه‌های اصلی خواهید آموخت.

آنچه خواهید آموخت

* یادگیری انجام مهندسی و تحلیل داده.
* ساخت مدل‌های ML نمونه اولیه و مدل‌های ML تولیدی از ابتدا.
* توسعه مهارت قوی در استفاده از scikit-learn و پایتون.
* کسب تجربه عملی با جنگل تصادفی، رگرسیون لجستیک، SVM، PCA و شبکه‌های عصبی.

این کتاب برای چه کسانی مناسب است

این کتاب برای مبتدیانی است که می‌خواهند دانش خود را در مورد یادگیری ماشین به تفصیل افزایش دهند. این کتاب همچنین می‌تواند توسط کاربران یادگیری ماشین به عنوان یک مرجع سریع برای اصول اولیه یادگیری ماشین استفاده شود. خوانندگان باید قبل از خواندن کتاب، دانش اولیه از پایتون و Scikit-Learn داشته باشند.

فهرست مطالب

1. مقدمه‌ای بر یادگیری ماشین
2. رگرسیون خطی
3. طبقه‌بندی با استفاده از رگرسیون لجستیک
4. بیش‌برازش و منظم‌سازی
5. امکان‌پذیری یادگیری
6. ماشین بردار پشتیبان
7. شبکه عصبی
8. درخت‌های تصمیم
9. یادگیری بدون نظارت
10. نظریه تعمیم
11. سوگیری و انصاف در ML

Explore Machine Learning Techniques, Different Predictive Models, and its Applications

Ê

KEY FEATURESÊÊ

_ Extensive coverage of real examples on implementation and working of ML models.

_ Includes different strategies used in Machine Learning by leading data scientists.

_ Focuses on Machine Learning concepts and their evolution to algorithms.

DESCRIPTIONÊ

This book covers basic concepts of Machine Learning, various learning paradigms, different architectures and algorithms used in these paradigms.

You will learn the power of ML models by exploring different predictive modeling techniques such as Regression, Clustering, and Classification. You will also get hands-on experience on methods and techniques such as Overfitting, Underfitting, Random Forest, Decision Trees, PCA, and Support Vector Machines. In this book real life examples with fully working of Python implementations are discussed in detail.

At the end of the book you will learn about the unsupervised learning covering Hierarchical Clustering, K-means Clustering, Dimensionality Reduction, Anomaly detection, Principal Component Analysis.Ê

WHAT YOU WILL LEARN

_ Learn to perform data engineering and analysis.

_ Build prototype ML models and production ML models from scratch.

_ Develop strong proficiency in using scikit-learn and Python.

_ Get hands-on experience with Random Forest, Logistic Regression, SVM, PCA, and Neural Networks.

WHO THIS BOOK IS FORÊÊ

This book is meant for beginners who want to gain knowledge about Machine Learning in detail. This book can also be used by Machine Learning users for a quick reference for fundamentals in Machine Learning. Readers should have basic knowledge of Python and Scikit-Learn before reading the book.

TABLE OF CONTENTS

1. Introduction to Machine Learning

2. Linear Regression

3. Classification Using Logistic Regression

4. Overfitting and Regularization

5. Feasibility of Learning

6. Support Vector Machine

7. Neural Network

8. Decision Trees

9. Unsupervised Learning

10. Theory of Generalization

11. Bias and Fairness in ML