یادگیری ماشین ۲۰۲۱
Machine Learning 2021

ویژگی‌های کلیدی

● شامل مثال‌های واقعی برای توضیح عملکرد الگوریتم‌های یادگیری ماشین.

● شامل نمایش‌های گرافیکی و آماری برای ساده‌سازی مدل‌سازی یادگیری ماشین و شبکه‌های عصبی.

● مملو از کدهای پایتون، تمرین‌های متعدد، و نمونه سؤالات برای دانشجویان علم داده.

توضیحات

این کتاب، مفاهیم اساسی تکنیک‌های یادگیری ماشین را به زبانی ساده و کاربرپسند به خوانندگان ارائه می‌دهد. هدف این کتاب، ارائه دانش عمیق در مورد الگوریتم‌های مختلف یادگیری ماشین (ML) و پیاده‌سازی عملی رویکردهای متنوع ML است.

این کتاب الگوریتم‌های مختلف یادگیری ماشین با نظارت مانند مدل رگرسیون خطی، طبقه‌بندی‌کننده بیز ساده، درخت تصمیم، نزدیک‌ترین همسایه K، رگرسیون لجستیک، ماشین بردار پشتیبان، الگوریتم‌های جنگل تصادفی، الگوریتم‌های یادگیری ماشین بدون نظارت مانند خوشه‌بندی k-means، خوشه‌بندی سلسله مراتبی، خوشه‌بندی احتمالی، داده کاوی قواعد وابستگی، الگوریتم Apriori، الگوریتم رشد f-p، مدل مخلوط گوسی و الگوریتم یادگیری تقویتی مانند فرآیند تصمیم گیری مارکوف (MDP)، معادلات بلمن، ارزیابی سیاست با استفاده از مونت کارلو، تکرار سیاست و تکرار مقدار، Q-Learning، State-Action-Reward-State-Action (SARSA) را پوشش می‌دهد. همچنین شامل تکنیک‌های مختلف استخراج و انتخاب ویژگی، سیستم‌های پیشنهادی و مروری مختصر بر یادگیری عمیق است.

در پایان این کتاب، خواننده می‌تواند مفاهیم یادگیری ماشین را درک کرده و به راحتی الگوریتم‌های مختلف ML را برای مسائل دنیای واقعی پیاده‌سازی کند.

آنچه خواهید آموخت

● انجام تکنیک‌های استخراج و انتخاب ویژگی.

● یادگیری انتخاب بهترین الگوریتم یادگیری ماشین برای یک مسئله معین.

● تسلط بر استفاده از کتابخانه‌های محبوب پایتون مانند Scikit-learn، pandas و matplotlib.

● تمرین نحوه پیاده‌سازی انواع مختلف تکنیک‌های یادگیری ماشین.

● آشنایی با شبکه عصبی مصنوعی به همراه الگوریتم پس انتشار.

● استفاده از سیستم‌های پیشنهادی مختلف با الگوریتم‌های قدرتمند.

این کتاب برای چه کسانی است

این کتاب برای دانشجویان علم داده و تحلیل داده، دانشگاهیان و محققانی طراحی شده است که می‌خواهند مفاهیم یادگیری ماشین را بررسی کرده و درک خود را از موارد واقعی تمرین کنند. آشنایی با مفاهیم اولیه آماری و برنامه نویسی مفید خواهد بود، اگرچه الزامی نیست.

فهرست مطالب

1. مقدمه
2. الگوریتم‌های یادگیری با نظارت
3. یادگیری بدون نظارت
4. مقدمه‌ای بر نظریه یادگیری آماری
5. یادگیری نیمه نظارتی و یادگیری تقویتی
6. سیستم‌های پیشنهادی

Concepts of Machine Learning with Practical Approaches.

KEY FEATURES  

● Includes real-scenario examples to explain the working of Machine Learning algorithms.

● Includes graphical and statistical representation to simplify modeling Machine Learning and Neural Networks.

● Full of Python codes, numerous exercises, and model question papers for data science students. 

DESCRIPTION 

The book offers the readers the fundamental concepts of Machine Learning techniques in a user-friendly language. The book aims to give in-depth knowledge of the different Machine Learning (ML) algorithms and the practical implementation of the various ML approaches.

This book covers different Supervised Machine Learning algorithms such as Linear Regression Model, Naïve Bayes classifier Decision Tree, K-nearest neighbor, Logistic Regression, Support Vector Machine, Random forest algorithms, Unsupervised Machine Learning algorithms such as k-means clustering, Hierarchical Clustering, Probabilistic clustering, Association rule mining, Apriori Algorithm, f-p growth algorithm, Gaussian mixture model and Reinforcement Learning algorithm such as Markov Decision Process (MDP), Bellman equations, policy evaluation using Monte Carlo, Policy iteration and Value iteration, Q-Learning, State-Action-Reward-State-Action (SARSA). It also includes various feature extraction and feature selection techniques, the Recommender System, and a brief overview of Deep Learning.

By the end of this book, the reader can understand Machine Learning concepts and easily implement various ML algorithms to real-world problems.

WHAT YOU WILL LEARN

● Perform feature extraction and feature selection techniques.

● Learn to select the best Machine Learning algorithm for a given problem.

● Get a stronghold in using popular Python libraries like Scikit-learn, pandas, and matplotlib.

● Practice how to implement different types of Machine Learning techniques.

● Learn about Artificial Neural Network along with the Back Propagation Algorithm.

● Make use of various recommended systems with powerful algorithms.

WHO THIS BOOK IS FOR  

This book is designed for data science and analytics students, academicians, and researchers who want to explore the concepts of machine learning and practice the understanding of real cases. Knowing basic statistical and programming concepts would be good, although not mandatory.

TABLE OF CONTENTS

1.  Introduction

2. Supervised Learning Algorithms

3. Unsupervised Learning

4. Introduction to the Statistical Learning Theory

5. Semi-Supervised Learning and Reinforcement Learning

6. Recommended Systems