یادگیری نظارت‌شده عملی با پایتون ۲۰۲۱
Hands-on Supervised Learning with Python 2021

حل مسائل یادگیری ماشین (ML) و ایجاد راه حل با استفاده از پایتون

ویژگی‌های کلیدی:

* مقدمه‌ای بر برنامه‌نویسی پایتون
* پایتون برای یادگیری ماشین
* مقدمه‌ای بر یادگیری ماشین
* مقدمه‌ای بر مدل‌سازی پیش‌بینی‌کننده، الگوریتم‌های نظارت‌شده و نظارت‌نشده
* رگرسیون خطی، رگرسیون لجستیک و ماشین‌های بردار پشتیبان

توضیحات:

شما اصول اولیه یادگیری ماشین و برنامه‌نویسی پایتون را فرا خواهید گرفت، پس از آن با مدل‌سازی پیش‌بینی‌کننده و روش‌های مختلف آن آشنا خواهید شد. همچنین با الگوریتم‌های یادگیری نظارت‌شده و یادگیری نظارت‌نشده و تفاوت بین آنها آشنا می‌شوید.

تمرکز ما بر یادگیری الگوریتم‌های یادگیری ماشین نظارت‌شده، شامل رگرسیون خطی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان، درخت‌های تصمیم و شبکه‌های عصبی مصنوعی خواهد بود. برای هر یک از این الگوریتم‌ها، به‌صورت عملی با مجموعه‌داده‌های متن‌باز کار خواهید کرد و از برنامه‌نویسی پایتون برای برنامه‌نویسی الگوریتم‌های یادگیری ماشین استفاده خواهید کرد. شما در مورد پاکسازی داده‌ها و بهینه‌سازی ویژگی‌ها برای به دست آوردن بهترین نتایج از مدل یادگیری ماشین خود یاد خواهید گرفت. همچنین در مورد پارامترهای مختلفی که دقت مدل شما را تعیین می‌کنند و چگونگی تنظیم مدل خود بر اساس بازتاب این پارامترها، خواهید آموخت.

چه چیزی یاد خواهید گرفت:

* دیدگاه روشنی از یادگیری ماشین به دست آورید و با اصول اساسی آن آشنا شوید.
* کتابخانه‌های خاص زبان پایتون موجود برای یادگیری ماشین را درک کنید و بتوانید با آن کتابخانه‌ها کار کنید.
* الگوریتم‌های مختلف مبتنی بر یادگیری نظارت‌شده در یادگیری ماشین را بررسی کنید و بدانید که چگونه در صورت ارائه یک مورد استفاده در زمان واقعی، آنها را پیاده‌سازی کنید.
* تجربه عملی با کاوش داده، پاکسازی داده، پیش‌پردازش داده و پیاده‌سازی مدل داشته باشید.
* با اصول اولیه یادگیری عمیق و برخی از الگوریتم‌های جالب در این زمینه آشنا شوید.
* مدل مناسب را بر اساس مسئله خود انتخاب کنید و با تکنیک‌های EDA کار کنید تا دقت خوبی در مدل خود به دست آورید.

این کتاب برای چه کسانی است:

این کتاب برای هر کسی که علاقه‌مند به درک یادگیری ماشین است، مناسب است. مبتدیان، مهندسان یادگیری ماشین و دانشمندان داده که می‌خواهند با الگوریتم‌های یادگیری نظارت‌شده آشنا شوند، این کتاب را مفید خواهند یافت.

فهرست مطالب:

۱. مقدمه‌ای بر برنامه‌نویسی پایتون
۲. پایتون برای یادگیری ماشین
۳. مقدمه‌ای بر یادگیری ماشین
۴. یادگیری نظارت‌شده و یادگیری نظارت‌نشده
۵. رگرسیون خطی: راهنمای عملی
۶. رگرسیون لجستیک – یک مقدمه
۷. نگاهی اجمالی به نحوه کار ماشین‌های بردار پشتیبان (SVM)
۸. درخت‌های تصمیم
۹. جنگل‌های تصادفی
۱۰. مدل‌های سری زمانی در یادگیری ماشین
۱۱. مقدمه‌ای بر شبکه‌های عصبی
۱۲. شبکه‌های عصبی بازگشتی
۱۳. شبکه‌های عصبی کانولوشنال
۱۴. معیارهای عملکرد
۱۵. مقدمه‌ای بر تفکر طراحی
۱۶. مطالعه موردی تفکر طراحی

Hands-On ML problem solving and creating solutions using Python

KEY FEATURES

_Introduction to Python Programming

_Python for Machine Learning

_Introduction to Machine Learning

_Introduction to Predictive Modelling, Supervised and Unsupervised Algorithms

_Linear Regression, Logistic Regression and Support Vector MachinesÊ

DESCRIPTIONÊ

You will learn about the fundamentals of Machine Learning and Python programming post, which you will be introduced to predictive modelling and the different methodologies in predictive modelling. You will be introduced to Supervised Learning algorithms and Unsupervised Learning algorithms and the difference between them.Ê

We will focus on learning supervised machine learning algorithms covering Linear Regression, Logistic Regression, Support Vector Machines, Decision Trees and Artificial Neural Networks. For each of these algorithms, you will work hands-on with open-source datasets and use python programming to program the machine learning algorithms. You will learn about cleaning the data and optimizing the features to get the best results out of your machine learning model. You will learn about the various parameters that determine the accuracy of your model and how you can tune your model based on the reflection of these parameters.

WHAT WILL YOU LEARN

_Get a clear vision of what is Machine Learning and get familiar with the foundation principles of Machine learning.

_Understand the Python language-specific libraries available for Machine learning and be able to work with those libraries.

_Explore the different Supervised Learning based algorithms in Machine Learning and know how to implement them when a real-time use case is presented to you.

_Have hands-on with Data Exploration, Data Cleaning, Data Preprocessing and Model implementation.

_Get to know the basics of Deep Learning and some interesting algorithms in this space.

_Choose the right model based on your problem statement and work with EDA techniques to get good accuracy on your model

WHO THIS BOOK IS FOR

This book is for anyone interested in understanding Machine Learning. Beginners, Machine Learning Engineers and Data Scientists who want to get familiar with Supervised Learning algorithms will find this book helpful.

TABLE OF CONTENTS

Ê1. ÊIntroduction to Python Programming

Ê2. Python for Machine LearningÊÊÊÊÊ

Ê3.Ê Introduction to Machine LearningÊÊÊÊÊÊÊÊÊ

Ê4. Supervised Learning and Unsupervised LearningÊÊÊÊÊÊÊÊÊ

Ê5. Linear Regression: A Hands-on guideÊÊÊ

Ê6. Logistic Regression Ð An Introduction

Ê7. A sneak peek into the working of Support Vector machines(SVM)ÊÊÊÊÊÊ

Ê8. Decision Trees

Ê9. Random Forests

Ê10. ÊTime Series models in Machine Learning

Ê11.Ê Introduction to Neural Networks

Ê12. ÊÊÊRecurrent Neural Networks

Ê13. ÊÊÊConvolutional Neural Networks

Ê14. ÊÊÊPerformance Metrics

Ê15. ÊÊÊIntroduction to Design Thinking

Ê16. Ê Design Thinking Case Study