درک عمیق یادگیری ماشین ۲۰۲۱
Grokking Machine Learning 2021

**تکنیک‌های ارزشمند یادگیری ماشین را کشف کنید که می‌توانید با استفاده از ریاضیات دبیرستانی درک و اعمال کنید.**

در کتاب *درک عمیق یادگیری ماشین* خواهید آموخت:

* الگوریتم‌های نظارت‌شده برای دسته‌بندی و تقسیم داده‌ها
* روش‌هایی برای پاکسازی و ساده‌سازی داده‌ها
* بسته‌ها و ابزارهای یادگیری ماشین
* شبکه‌های عصبی و روش‌های ترکیبی برای مجموعه‌داده‌های پیچیده

*درک عمیق یادگیری ماشین* به شما آموزش می‌دهد که چگونه ML را با استفاده از کد استاندارد پایتون و ریاضیات سطح دبیرستان در پروژه‌های خود به کار ببرید. برای انجام تمرین‌های عملی با استفاده از پایتون و ابزارهای یادگیری ماشین در دسترس، نیازی به دانش تخصصی نیست. این کتاب با تمرین‌ها و پروژه‌های کوچک مبتنی بر پایتون که به آسانی قابل پیگیری هستند، شما را در مسیر تبدیل شدن به یک متخصص یادگیری ماشین قرار می‌دهد.

با خرید نسخه چاپی کتاب، یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات Manning دریافت خواهید کرد.

درباره‌ی فناوری

تکنیک‌های قدرتمند یادگیری ماشین را کشف کنید که می‌توانید با استفاده از ریاضیات دبیرستانی درک و اعمال کنید! به زبان ساده، یادگیری ماشین مجموعه‌ای از تکنیک‌ها برای تجزیه و تحلیل داده‌ها بر اساس الگوریتم‌هایی است که با ارائه داده‌های بیشتر، نتایج بهتری ارائه می‌دهند. ML بسیاری از فناوری‌های پیشرفته مانند سیستم‌های توصیه‌گر، نرم‌افزار تشخیص چهره، بلندگوهای هوشمند و حتی خودروهای خودران را تغذیه می‌کند. این کتاب منحصربه‌فرد، مفاهیم اصلی یادگیری ماشین را با استفاده از مثال‌های ملموس، تمرین‌های جذاب و تصاویر واضح معرفی می‌کند.

درباره‌ی کتاب

*درک عمیق یادگیری ماشین* الگوریتم‌ها و تکنیک‌های یادگیری ماشین را به گونه‌ای ارائه می‌کند که هر کسی بتواند آن را درک کند. این کتاب از اصطلاحات پیچیده آکادمیک صرف نظر می‌کند و توضیحات واضحی ارائه می‌دهد که تنها به جبر پایه نیاز دارد. در طول مسیر، پروژه‌های جالبی را با پایتون خواهید ساخت، از جمله مدل‌هایی برای تشخیص هرزنامه و تشخیص تصویر. همچنین مهارت‌های عملی برای پاکسازی و آماده‌سازی داده‌ها را فرا خواهید گرفت.

مطالب داخل کتاب

* الگوریتم‌های نظارت‌شده برای دسته‌بندی و تقسیم داده‌ها
* روش‌هایی برای پاکسازی و ساده‌سازی داده‌ها
* بسته‌ها و ابزارهای یادگیری ماشین
* شبکه‌های عصبی و روش‌های ترکیبی برای مجموعه‌داده‌های پیچیده

درباره‌ی خواننده

برای خوانندگانی که با پایتون مقدماتی آشنا هستند. نیازی به دانش یادگیری ماشین نیست.

درباره‌ی نویسنده

**لوئیس جی. سرانو** دانشمند محقق در هوش مصنوعی کوانتومی است. او پیش از این، مهندس یادگیری ماشین در گوگل و مدرس ارشد هوش مصنوعی در اپل بوده است.

فهرست مطالب

1 یادگیری ماشین چیست؟ عقل سلیم است، فقط توسط یک کامپیوتر انجام می‌شود
2 انواع یادگیری ماشین
3 ترسیم یک خط نزدیک به نقاط خود: رگرسیون خطی
4 بهینه‌سازی فرآیند آموزش: برازش ناقص، برازش بیش از حد، آزمایش و منظم‌سازی
5 استفاده از خطوط برای تقسیم نقاط خود: الگوریتم پرسپترون
6 یک رویکرد پیوسته برای تقسیم نقاط: طبقه‌بندی کننده‌های لجستیک
7 چگونه مدل‌های طبقه‌بندی را اندازه‌گیری می‌کنید؟ دقت و دوستانش
8 استفاده حداکثری از احتمال: مدل بیز ساده
9 تقسیم داده‌ها با پرسیدن سؤال: درخت‌های تصمیم‌گیری
10 ترکیب بلوک‌های ساختمانی برای به دست آوردن قدرت بیشتر: شبکه‌های عصبی
11 یافتن مرزها با سبک: ماشین‌های بردار پشتیبان و روش کرنل
12 ترکیب مدل‌ها برای به حداکثر رساندن نتایج: یادگیری جمعی
13 به کارگیری همه چیز در عمل: یک مثال واقعی از مهندسی داده و یادگیری ماشین

Discover valuable machine learning techniques you can understand and apply using just high-school math.

In Grokking Machine Learning you will learn:

Supervised algorithms for classifying and splitting data
Methods for cleaning and simplifying data
Machine learning packages and tools
Neural networks and ensemble methods for complex datasets

Grokking Machine Learning teaches you how to apply ML to your projects using only standard Python code and high school-level math. No specialist knowledge is required to tackle the hands-on exercises using Python and readily available machine learning tools. Packed with easy-to-follow Python-based exercises and mini-projects, this book sets you on the path to becoming a machine learning expert.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
Discover powerful machine learning techniques you can understand and apply using only high school math! Put simply, machine learning is a set of techniques for data analysis based on algorithms that deliver better results as you give them more data. ML powers many cutting-edge technologies, such as recommendation systems, facial recognition software, smart speakers, and even self-driving cars. This unique book introduces the core concepts of machine learning, using relatable examples, engaging exercises, and crisp illustrations.

About the book
Grokking Machine Learning presents machine learning algorithms and techniques in a way that anyone can understand. This book skips the confused academic jargon and offers clear explanations that require only basic algebra. As you go, you’ll build interesting projects with Python, including models for spam detection and image recognition. You’ll also pick up practical skills for cleaning and preparing data.

What’s inside

Supervised algorithms for classifying and splitting data
Methods for cleaning and simplifying data
Machine learning packages and tools
Neural networks and ensemble methods for complex datasets

About the reader
For readers who know basic Python. No machine learning knowledge necessary.

About the author
Luis G. Serrano is a research scientist in quantum artificial intelligence. Previously, he was a Machine Learning Engineer at Google and Lead Artificial Intelligence Educator at Apple.

Table of Contents
1 What is machine learning? It is common sense, except done by a computer
2 Types of machine learning
3 Drawing a line close to our points: Linear regression
4 Optimizing the training process: Underfitting, overfitting, testing, and regularization
5 Using lines to split our points: The perceptron algorithm
6 A continuous approach to splitting points: Logistic classifiers
7 How do you measure classification models? Accuracy and its friends
8 Using probability to its maximum: The naive Bayes model
9 Splitting data by asking questions: Decision trees
10 Combining building blocks to gain more power: Neural networks
11 Finding boundaries with style: Support vector machines and the kernel method
12 Combining models to maximize results: Ensemble learning
13 Putting it all in practice: A real-life example of data engineering and machine learning