اردوگاه کتاب یادگیری ماشین ۲۰۲۱
Machine Learning Bookcamp 2021

خلاصه
در «اردوی آموزشی یادگیری ماشین» خواهید آموخت:

* جمع‌آوری و پاکسازی داده‌ها برای آموزش مدل‌ها
* استفاده از ابزارهای محبوب پایتون، شامل NumPy، Scikit-Learn و TensorFlow
* به کارگیری یادگیری ماشین برای مجموعه‌داده‌های پیچیده با تصاویر
* استقرار مدل‌های یادگیری ماشین در یک محیط آماده‌ی تولید

تنها راه یادگیری، تمرین است! در «اردوی آموزشی یادگیری ماشین»، مدل‌های یادگیری ماشین مبتنی بر پایتون را برای مجموعه‌ای از پروژه‌هایی با چالش‌های فزاینده ایجاد و مستقر خواهید کرد. این کتاب شما را از مبانی یادگیری ماشین به سوی کاربردهای پیچیده‌ای مانند تحلیل تصویر می‌برد و هر پروژه‌ی جدید بر اساس آموخته‌های شما در فصل‌های قبلی بنا می‌شود. شما مجموعه‌ای از پروژه‌های یادگیری ماشین مرتبط با کسب‌وکار خواهید ساخت که مدیران استخدام از دیدن آن‌ها هیجان‌زده خواهند شد.

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

درباره‌ی فناوری
با ساخت پروژه‌های واقعی، بر مفاهیم کلیدی یادگیری ماشین مسلط شوید! یادگیری ماشین همان چیزی است که برای تجزیه و تحلیل رفتار مشتری، پیش‌بینی روندهای قیمتی، ارزیابی ریسک و موارد بسیار دیگر به آن نیاز دارید. برای تسلط بر یادگیری ماشین، به مثال‌های عالی، توضیحات واضح و تمرین فراوان نیاز دارید. این کتاب هر سه را ارائه می‌دهد!

درباره‌ی کتاب
«اردوی آموزشی یادگیری ماشین» سناریوهای واقعی و کاربردی یادگیری ماشین را همراه با پوشش شفاف مفاهیم کلیدی ارائه می‌دهد. در این کتاب، پروژه‌های جذابی مانند ایجاد پیش‌بینی‌کننده‌ی قیمت خودرو با استفاده از رگرسیون خطی و استقرار یک سرویس پیش‌بینی ریزش مشتری را تکمیل خواهید کرد. شما فراتر از الگوریتم‌ها خواهید رفت و تکنیک‌های مهمی مانند استقرار برنامه‌های کاربردی یادگیری ماشین روی سیستم‌های بدون سرور و ارائه‌ی مدل‌ها با Kubernetes و Kubeflow را بررسی خواهید کرد. دست به کار شوید، دستان خود را آلوده کنید و از ساخت مهارت‌های یادگیری ماشین خود لذت ببرید!

مطالب داخل کتاب:

* جمع‌آوری و پاکسازی داده‌ها برای آموزش مدل‌ها
* استفاده از ابزارهای محبوب پایتون، شامل NumPy، Scikit-Learn و TensorFlow
* استقرار مدل‌های یادگیری ماشین در یک محیط آماده‌ی تولید

درباره‌ی خواننده
داشتن مهارت‌های برنامه‌نویسی پایتون الزامی است. هیچ دانش قبلی در مورد یادگیری ماشین مورد نیاز نیست.

درباره‌ی نویسنده
الکسی گریگورف دانشمند ارشد داده در OLX Group است. او DataTalks.Club، انجمنی از افرادی که عاشق داده هستند را اداره می‌کند.

فهرست مطالب

1 مقدمه‌ای بر یادگیری ماشین
2 یادگیری ماشین برای رگرسیون
3 یادگیری ماشین برای طبقه‌بندی
4 معیارهای ارزیابی برای طبقه‌بندی
5 استقرار مدل‌های یادگیری ماشین
6 درخت‌های تصمیم و یادگیری جمعی
7 شبکه‌های عصبی و یادگیری عمیق
8 یادگیری عمیق بدون سرور
9 ارائه‌ی مدل‌ها با Kubernetes و Kubeflow

Summary
In Machine Learning Bookcamp you will:

Collect and clean data for training models
Use popular Python tools, including NumPy, Scikit-Learn, and TensorFlow
Apply ML to complex datasets with images
Deploy ML models to a production-ready environment

The only way to learn is to practice! In Machine Learning Bookcamp, you’ll create and deploy Python-based machine learning models for a variety of increasingly challenging projects. Taking you from the basics of machine learning to complex applications such as image analysis, each new project builds on what you’ve learned in previous chapters. You’ll build a portfolio of business-relevant machine learning projects that hiring managers will be excited to see.

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

About the technology
Master key machine learning concepts as you build actual projects! Machine learning is what you need for analyzing customer behavior, predicting price trends, evaluating risk, and much more. To master ML, you need great examples, clear explanations, and lots of practice. This book delivers all three!

About the book
Machine Learning Bookcamp presents realistic, practical machine learning scenarios, along with crystal-clear coverage of key concepts. In it, you’ll complete engaging projects, such as creating a car price predictor using linear regression and deploying a churn prediction service. You’ll go beyond the algorithms and explore important techniques like deploying ML applications on serverless systems and serving models with Kubernetes and Kubeflow. Dig in, get your hands dirty, and have fun building your ML skills!

What’s inside

Collect and clean data for training models
Use popular Python tools, including NumPy, Scikit-Learn, and TensorFlow
Deploy ML models to a production-ready environment

About the reader
Python programming skills assumed. No previous machine learning knowledge is required.

About the author
Alexey Grigorev is a principal data scientist at OLX Group. He runs DataTalks.Club, a community of people who love data.

Table of Contents

1 Introduction to machine learning
2 Machine learning for regression
3 Machine learning for classification
4 Evaluation metrics for classification
5 Deploying machine learning models
6 Decision trees and ensemble learning
7 Neural networks and deep learning
8 Serverless deep learning
9 Serving models with Kubernetes and Kubeflow