تسلط بر الگوریتم‌های دسته‌بندی برای یادگیری ماشین ۲۰۲۳
Mastering Classification Algorithms for Machine Learning 2023

راهنمای کاربردی برای تسلط بر الگوریتم‌های دسته‌بندی در یادگیری ماشین

ویژگی‌های کلیدی

● با جدیدترین الگوریتم‌های دسته‌بندی در یادگیری ماشین آشنا شوید.

● مبانی ریاضی ساخت مدل‌های یادگیری ماشین را درک کنید.

● یاد بگیرید چگونه مدل‌های یادگیری ماشین را برای حل مسائل واقعی صنعت به کار ببرید.

توضیحات

الگوریتم‌های دسته‌بندی در یادگیری ماشین بسیار مهم هستند، زیرا به ما امکان می‌دهند با در نظر گرفتن ویژگی‌های یک ورودی، پیش‌بینی‌هایی درباره کلاس یا دسته آن انجام دهیم. این الگوریتم‌ها تأثیر بسزایی در برنامه‌های متعددی مانند فیلتر کردن هرزنامه‌ها، تحلیل احساسات، تشخیص تصویر و شناسایی تقلب دارند. اگر می‌خواهید دانش خود را در مورد الگوریتم‌های دسته‌بندی گسترش دهید، این کتاب منبع ایده‌آلی برای شماست.

کتاب با مقدمه‌ای بر حل مسئله در یادگیری ماشین شروع می‌شود و سپس بر مسائل دسته‌بندی تمرکز می‌کند. در ادامه، الگوریتم بیز ساده، یک روش احتمالی که به طور گسترده در کاربردهای صنعتی استفاده می‌شود، را بررسی می‌کند. کاربرد قضیه بیز و مفروضات اساسی در توسعه الگوریتم بیز ساده برای دسته‌بندی نیز پوشش داده شده است. در ادامه، کتاب توجه خود را بر الگوریتم رگرسیون لجستیک متمرکز می‌کند و تابع سیگموئید و اهمیت آن در دسته‌بندی باینری را بررسی می‌کند. این کتاب همچنین درخت‌های تصمیم را پوشش می‌دهد و در مورد فاکتور جینی، آنتروپی و کاربرد آن‌ها در تقسیم درخت‌ها و تولید برگ‌های تصمیم بحث می‌کند. الگوریتم جنگل تصادفی نیز به طور کامل به عنوان یک روش پیشرفته برای دسته‌بندی (و رگرسیون) توضیح داده شده است. کتاب با بررسی کاربردهای عملی مانند تشخیص هرزنامه، بخش‌بندی مشتریان، دسته‌بندی بیماری‌ها، تشخیص بدافزار در فایل‌های JPEG و ELF، تحلیل احساسات از گفتار و دسته‌بندی تصویر به پایان می‌رسد.

در پایان کتاب، شما در استفاده از الگوریتم‌های دسته‌بندی برای حل مسائل پیچیده یادگیری ماشین مهارت پیدا خواهید کرد.

آنچه خواهید آموخت

● یاد بگیرید چگونه الگوریتم بیز ساده را برای حل مسائل دسته‌بندی واقعی به کار ببرید.

● مفهوم الگوریتم K نزدیک‌ترین همسایه را برای وظایف دسته‌بندی بررسی کنید.

● در الگوریتم رگرسیون لجستیک برای دسته‌بندی عمیق شوید.

● تکنیک‌هایی مانند Bagging و Random Forest را برای غلبه بر نقاط ضعف درخت‌های تصمیم بررسی کنید.

● یاد بگیرید چگونه چندین مدل را برای بهبود دقت و استحکام دسته‌بندی ترکیب کنید.

این کتاب برای چه کسانی است

این کتاب برای مهندسان یادگیری ماشین، دانشمندان داده، علاقه‌مندان به علم داده، محققان، برنامه‌نویسان کامپیوتر و دانشجویانی که علاقه‌مند به بررسی طیف گسترده‌ای از الگوریتم‌های مورد استفاده برای وظایف دسته‌بندی در یادگیری ماشین هستند، مناسب است.

فهرست مطالب

1. مقدمه‌ای بر یادگیری ماشین
2. الگوریتم بیز ساده
3. الگوریتم K نزدیک‌ترین همسایه
4. رگرسیون لجستیک
5. الگوریتم درخت تصمیم
6. مدل‌های Ensemble
7. الگوریتم جنگل تصادفی
8. الگوریتم Boosting
پیوست 1: نوت‌بوک Jupyter
پیوست 2: پایتون
پیوست 3: تجزیه مقدار منفرد
پیوست 4: پیش‌پردازش داده‌های متنی
پیوست 5: ریشه‌یابی و لمت‌سازی
پیوست 6: بردارسازها
پیوست 7: رمزگذارها
پیوست 8: آنتروپی

A practical guide to mastering Classification algorithms for Machine learning

KEY FEATURES  

● Get familiar with all the state-of-the-art classification algorithms for machine learning.

● Understand the mathematical foundations behind building machine learning models.

● Learn how to apply machine learning models to solve real-world industry problems.

DESCRIPTION 

Classification algorithms are essential in machine learning as they allow us to make predictions about the class or category of an input by considering its features. These algorithms have a significant impact on multiple applications like spam filtering, sentiment analysis, image recognition, and fraud detection. If you want to expand your knowledge about classification algorithms, this book is the ideal resource for you.

The book starts with an introduction to problem-solving in machine learning and subsequently focuses on classification problems. It then explores the Naïve Bayes algorithm, a probabilistic method widely used in industrial applications. The application of Bayes Theorem and underlying assumptions in developing the Naïve Bayes algorithm for classification is also covered. Moving forward, the book centers its attention on the Logistic Regression algorithm, exploring the sigmoid function and its significance in binary classification. The book also covers Decision Trees and discusses the Gini Factor, Entropy, and their use in splitting trees and generating decision leaves. The Random Forest algorithm is also thoroughly explained as a cutting-edge method for classification (and regression). The book concludes by exploring practical applications such as Spam Detection, Customer Segmentation, Disease Classification, Malware Detection in JPEG and ELF Files, Emotion Analysis from Speech, and Image Classification.

By the end of the book, you will become proficient in utilizing classification algorithms for solving complex machine learning problems.

WHAT YOU WILL LEARN

● Learn how to apply Naïve Bayes algorithm to solve real-world classification problems.

● Explore the concept of K-Nearest Neighbor algorithm for classification tasks.

● Dive into the Logistic Regression algorithm for classification.

● Explore techniques like Bagging and Random Forest to overcome the weaknesses of Decision Trees.

● Learn how to combine multiple models to improve classification accuracy and robustness.

WHO THIS BOOK IS FOR

This book is for Machine Learning Engineers, Data Scientists, Data Science Enthusiasts, Researchers, Computer Programmers, and Students who are interested in exploring a wide range of algorithms utilized for classification tasks in machine learning.

TABLE OF CONTENTS

1. Introduction to Machine Learning

2. Naïve Bayes Algorithm

3. K-Nearest Neighbor Algorithm

4. Logistic Regression

5. Decision Tree Algorithm

6. Ensemble Models

7. Random Forest Algorithm

8. Boosting Algorithm

Annexure 1: Jupyter Notebook

Annexure 2: Python

Annexure 3: Singular Value Decomposition

Annexure 4: Preprocessing Textual Data

Annexure 5: Stemming and Lamentation

Annexure 6: Vectorizers

Annexure 7: Encoders

Annexure 8: Entropy