یادگیری ماشین برای مبتدیان ۲۰۲۳
Machine Learning for Beginners 2023

با فراگیری استخراج ویژگی، انتخاب ویژگی و آموزش الگوریتم، نحوه ایجاد یک پایگاه داده کامل یادگیری ماشین را بیاموزید.

ویژگی‌های کلیدی

● درک کاملی از اصول اساسی در یادگیری ماشین به دست آورید.

● بر روش‌های رگرسیون و طبقه‌بندی برای پیش‌بینی و دسته‌بندی دقیق داده‌ها در یادگیری ماشین مسلط شوید.

● به مباحث پیشرفته یادگیری ماشین، از جمله یادگیری بدون نظارت و یادگیری عمیق، بپردازید.

توضیحات

ویرایش دوم “یادگیری ماشین برای مبتدیان” به مفاهیم و موضوعات کلیدی در یادگیری ماشین می‌پردازد.

این کتاب با مقدمه‌ای بر اصول اساسی یادگیری ماشین آغاز می‌شود و پس از آن به بحث در مورد پیش پردازش داده‌ها می‌پردازد. سپس به استخراج و انتخاب ویژگی می‌پردازد و پوشش جامعی از تکنیک‌های مختلف مانند تبدیل فوریه، تبدیل فوریه زمان کوتاه و الگوهای باینری محلی ارائه می‌دهد. در ادامه، کتاب به تحلیل مولفه‌های اصلی و تحلیل تشخیص خطی می‌پردازد. سپس، موضوعات نمایش مدل، آموزش، آزمایش و اعتبارسنجی متقابل را پوشش می‌دهد. بر رگرسیون و طبقه‌بندی تأکید می‌کند و روش‌هایی مانند گرادیان کاهشی را توضیح داده و پیاده‌سازی می‌کند. تکنیک‌های اساسی طبقه‌بندی، از جمله k-نزدیکترین همسایه، رگرسیون لجستیک و بیز ساده نیز به تفصیل مورد بحث قرار می‌گیرند. سپس کتاب، مروری بر شبکه‌های عصبی، از جمله پیشینه بیولوژیکی آنها، محدودیت‌های پرسشگر و مدل انتشار به عقب ارائه می‌دهد. همچنین ماشین‌های بردار پشتیبان و روش‌های هسته را پوشش می‌دهد. درخت‌های تصمیم و مدل‌های تجمیعی نیز مورد بحث قرار می‌گیرند. بخش پایانی کتاب، بینشی در مورد یادگیری بدون نظارت و یادگیری عمیق ارائه می‌دهد و به خوانندگان یک نمای کلی جامع از این موضوعات پیشرفته ارائه می‌دهد.

در پایان کتاب، شما به خوبی برای کاوش و به کارگیری یادگیری ماشین در سناریوهای مختلف دنیای واقعی آماده خواهید بود.

آنچه خواهید آموخت

● مهارت‌های لازم برای آماده‌سازی موثر داده‌ها برای وظایف یادگیری ماشین را به دست آورید.

● نحوه پیاده‌سازی الگوریتم‌های یادگیری از ابتدا را بیاموزید.

● از قدرت scikit-learn برای پیاده‌سازی کارآمد الگوریتم‌های رایج استفاده کنید.

● با روش‌های مختلف انتخاب ویژگی و استخراج ویژگی آشنا شوید.

● نحوه پیاده‌سازی الگوریتم‌های خوشه‌بندی را بیاموزید.

این کتاب برای چه کسانی است

این کتاب هم برای دانشجویان مقطع کارشناسی و کارشناسی ارشد علوم کامپیوتر و هم برای متخصصانی که به دنبال انتقال به قلمرو جذاب یادگیری ماشین هستند، مناسب است، مشروط بر اینکه آشنایی اولیه‌ای با پایتون داشته باشند.

فهرست مطالب

بخش اول: مبانی

1. مقدمه‌ای بر یادگیری ماشین
2. شروع: پیش پردازش داده‌ها
3. انتخاب ویژگی
4. استخراج ویژگی
5. توسعه مدل

بخش دوم: یادگیری با نظارت

6. رگرسیون
7. K-نزدیکترین همسایه
8. طبقه‌بندی: رگرسیون لجستیک و طبقه‌بندی‌کننده بیز ساده
9. شبکه عصبی I: پرسشگر
10. شبکه عصبی II: پرسشگر چند لایه
11. ماشین‌های بردار پشتیبان
12. درخت‌های تصمیم
13. مقدمه‌ای بر یادگیری تجمیعی

بخش سوم: یادگیری بدون نظارت و یادگیری عمیق

14. خوشه‌بندی
15. یادگیری عمیق

پیوست 1: واژه‌نامه
پیوست 2: روش‌ها/تکنیک‌ها
پیوست 3: معیارها و فرمول‌های مهم
پیوست 4: تجسم – Matplotlib
پاسخ به سوالات چند گزینه‌ای
کتاب‌شناسی

Learn how to build a complete machine learning pipeline by mastering feature extraction, feature selection, and algorithm training

KEY FEATURES  

● Develop a solid understanding of foundational principles in machine learning.

● Master regression and classification methods for accurate data prediction and categorization in machine learning.

● Dive into advanced machine learning topics, including unsupervised learning and deep learning.

DESCRIPTION 

The second edition of “Machine Learning for Beginners” addresses key concepts and subjects in machine learning. 

The book begins with an introduction to the foundational principles of machine learning, followed by a discussion of data preprocessing. It then delves into feature extraction and feature selection, providing comprehensive coverage of various techniques such as the Fourier transform, short-time Fourier transform, and local binary patterns. Moving on, the book discusses principal component analysis and linear discriminant analysis. Next, the book covers the topics of model representation, training, testing, and cross-validation. It emphasizes regression and classification, explaining and implementing methods such as gradient descent. Essential classification techniques, including k-nearest neighbors, logistic regression, and naive Bayes, are also discussed in detail. The book then presents an overview of neural networks, including their biological background, the limitations of the perceptron, and the backpropagation model. It also covers support vector machines and kernel methods. Decision trees and ensemble models are also discussed. The final section of the book provides insight into unsupervised learning and deep learning, offering readers a comprehensive overview of these advanced topics.

By the end of the book, you will be well-prepared to explore and apply machine learning in various real-world scenarios.

WHAT YOU WILL LEARN

● Acquire skills to effectively prepare data for machine learning tasks.

● Learn how to implement learning algorithms from scratch.

● Harness the power of scikit-learn to efficiently implement common algorithms.

● Get familiar with various Feature Selection and Feature Extraction methods.

● Learn how to implement clustering algorithms.

WHO THIS BOOK IS FOR

This book is for both undergraduate and postgraduate Computer Science students as well as professionals looking to transition into the captivating realm of Machine Learning, assuming a foundational familiarity with Python.

TABLE OF CONTENTS

Section I: Fundamentals

1. An Introduction to Machine Learning

2. The Beginning: Data Pre-Processing

3. Feature Selection

4. Feature Extraction

5. Model Development

Section II: Supervised Learning

6. Regression

7. K-Nearest Neighbors

8. Classification: Logistic Regression and Naïve Bayes Classifier

9. Neural Network I: The Perceptron

10. Neural Network II: The Multi-Layer Perceptron

11. Support Vector Machines

12. Decision Trees

13. An Introduction to Ensemble Learning

Section III: Unsupervised Learning and Deep Learning

14. Clustering

15. Deep Learning

Appendix 1: Glossary

Appendix 2: Methods/Techniques

Appendix 3: Important Metrics and Formulas

Appendix 4: Visualization- Matplotlib

Answers to Multiple Choice Questions

Bibliography