کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow

کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow شامل مفاهیم، ابزارها و تکنیک‌هایی برای ساخت سیستم‌های هوشمند (یادگیری ماشین با پایتون) است که توسط اورلین جرون نوشته شده و با ترجمهٔ جواد وحیدی و مژگان الیکائی آهاری در انتشارات فناوری نوین به چاپ رسیده است. یادگیری ماشین صنعت را تسخیر کرده است و اکنون در قلب بسیاری از جادوهای محصولات با تکنولوژی قرار دارد. یادگیری ماشین نتایج جست‌وجوی وب را رتبه‌بندی کرده، تشخیص گفتار تلفن هوشمند را تقویت و به شما ویدیو توصیه می‌کند.

درباره کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow

این کتاب فرض می‌کند که شما تقریباً هیچ‌چیز درباره یادگیری ماشین نمی‌دانید. هدف آن ارائه مفاهیم، شهود و ابزارهایی است که برای اجرای برنامه‌های قابل یادگیری از داده‌ها نیاز دارید.

ما تکنیک‌های زیادی را پوشش می‌دهیم، از ساده‌ترین و متداول‌ترین (مانند رگرسیون خطی) تا برخی از تکنیک‌های یادگیری عمیق که به‌طور منظم در مسابقات برنده می‌شوند.

به‌جای اجرای نسخه‌های خودمان از هر الگوریتم، از چارچوب‌های آماده تولید پایتون استفاده می‌کنیم:

 استفاده از Scikit-Learn بسیار آسان است، بااین‌حال بسیاری از الگوریتم‌های یادگیری ماشین را به‌طور کارآمد پیاده‌سازی می‌کند، بنابراین یک نقطه ورود عالی برای یادگیری ماشین است.

 TensorFlow یک کتابخانه پیچیده‌تر برای محاسبه عددی توزیع‌شده است. این امکان را فراهم می‌کند که شبکه‌های عصبی بسیار بزرگ را با تقسیم محاسبات در صدها سرور چند GPU به‌طور کارآمد آموزش داده و اجرا کنیم. TensorFlow در Google ایجادشده و از بسیاری از برنامه‌های بزرگ یادگیری ماشین را پشتیبانی می‌کند. این منبع در نوامبر ۲۰۱۵ باز شد.

 Keras یک API یادگیری عمیق سطح بالا است که آموزش و اجرای شبکه‌های عصبی را بسیار ساده می‌کند. می‌تواند روی TensorFlow ، Theano یا Micro soft Cognitive Toolkit (که قبلاً به‌عنوان CNTK شناخته می‌شد) اجرا شود. TensorFlow با پیاده‌سازی خود از این API، به نام tf.keras، پشتیبانی می‌کند که از برخی ویژگی‌های پیشرفته TensorFlow (به‌عنوان‌مثال برای بارگذاری کارآمد داده‌ها) پشتیبانی می‌کند.

کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow را به چه کسانی پیشنهاد می‌کنیم

این کتاب برای کسانی که مایل هستند با مباحث کلی یادگیری ماشین آشنا شوند و در ابتدای این مسیر هستند، مناسب خواهد بود.

بخشی از کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow

در سال ۲۰۰۶، جفری هینتون و همکارانش مقاله‌ای منتشر کردند که نشان می‌داد چگونه آموزش یک شبکه عصبی عمیق قادر به تشخیص ارقام دست‌نویس با دقت پیشرفته (> ۹۸>) را است. آن‌ها این تکنیک را یادگیری عمیق نام‌گذاری کردند. در آن زمان آموزش شبکه عصبی عمیق غیرممکن تلقی می‌شد و اکثر محققان از دهه ۱۹۹۰ این ایده را کنار گذاشته بودند. نتایج این مقاله علاقه جامعه علمی را در مورد یادگیری عمیق دوباره زنده کرد و نشان داد که یادگیری عمیق نه‌تنها امکان‌پذیر است، بلکه می‌تواند دستاوردهای حیرت‌انگیزی داشته باشد که هیچ تکنیک یادگیری ماشین (ML) نمی‌تواند با آن‌ها مطابقت داشته باشد. این اشتیاق به‌زودی به بسیاری از زمینه‌های دیگر یادگیری ماشین گسترش یافت.

یادگیری ماشین در پروژه‌های شما

آیا به یادگیری ماشین علاقه دارید و دوست دارید به این داستان بپیوندید؟

شاید شرکت شما دارای تعداد زیادی داده (گزارشات کاربر، داده‌های مالی، داده‌های تولید، داده‌های حسگر ماشین، آمار خط تلفن، گزارشات منابع انسانی و غیره) باشید. به‌احتمال‌ زیاد اگر بدانید کجا را باید نگاه کنید برخی مشکلات حل می‌شوند:

 مشتریان را تقسیم‌بندی کرده و بهترین استراتژی بازاریابی را برای هر گروه پیدا کنید.

 محصولات را برای هر مشتری بر اساس خرید مشتریان مشابه توصیه کنید.

 تشخیص دهید کدام تراکنش‌ها احتمالاً تقلبی هستند.

 پیش‌بینی درآمد سال آینده.

 و غیره

به هر دلیلی تصمیم گرفته‌اید یادگیری ماشین را بیاموزید و آن را در پروژه‌های خود پیاده‌سازی کنید.