کتاب یادگیری ماشین با Python

کتاب یادگیری ماشین با Python نوشتۀ جیسن براونلی با ترجمۀ رامین مولاناپور در انتشارات آتی نگر به چاپ رسیده است.

درباره کتاب یادگیری ماشین با Python

Python بستری جالب برای یادگیری ماشین است. در حالی که الگوریتم‌های زیادی در این زمینه وجود دارد، پرسش اصلی کتاب یادگیری ماشین با Python این است که چرا برای یادگیری ماشین از Python استفاده بکنیم؟ این کتاب بهترین دانش و ایده‌های نویسنده را دربارۀ چگونگی کار روی پروژه‌های ماشین از طریق مدل‌سازی پیش‌بینانه با استفاده از اکوسیستم Python ارائه داده است. منظور از ماشین، اتومبیل نیست؛ بلکه منظور دستگاه‌ها و برنامه‌های کدنویسی کامپیوتر است که جیسون برانلی در این کتاب بر آن است تا راه‌ها و روش‌های متعدد یادگیری آن را به خواننده بیاموزد. کتاب یادگیری ماشین با Python توضیحات لازم را مرحله‌به‌مرحله ارائه می‌دهد و از زبان ساده و آسان‌فهمی در تشریحات خود استفاده می‌کند. همچنین هرآنچه لازم است در باب شیوه‌های کار با Python بدانید، آموزش می‌دهد.

خواندن کتاب یادگیری ماشین با Python را به چه کسانی پیشنهاد می‌کنیم

به دوستداران علوم کامپیوتر پیشنهاد می‌کنیم.

بخشی از کتاب یادگیری ماشین با Python

«ارزیابی الگوریتم‌های یادگیری ماشین: چرا نمی‌توانید الگوریتم یادگیری ماشین خود را در مجموعه داده آموزشی خود مهیا کنید و از پیش‌بینی‌های مجموعه داده مشابهی برای ارزیابی عملکرد استفاده نمی‌کنید؟ پاسخ این سؤال، بیش‌برازش است. الگوریتمی را تصور کنید که کلیه مشاهدات نشان داده شده در طی آموزش را به خاطر می‌سپارد. اگر الگوریتم یادگیری ماشین خود را روی مجموعه داده‌ای مشابه که برای آموزش الگوریتم استفاده شده است، ارزیابی کنید، آن‌گاه الگوریتمی مثل این، دارای امتیاز کامل روی مجموعه داده آموزشی است. ولی پیش‌بینی‌هایی که این الگوریتم روی داده‌های جدید انجام می‌دهد، وحشتناک خواهد بود. ما باید الگوریتم‌های یادگیری ماشین خود را روی داده‌هایی ارزیابی کنیم که برای آموزش الگوریتم استفاده نشده‌اند. ارزیابی، برآوردی است که می‌توانید برای گفتگو درباره این مسأله استفاده کنید که الگوریتم شما به همان اندازه که فکر می‌کنید، در عمل هم جواب می‌دهد. تضمینی برای عملکرد وجود ندارد. هنگامی که عملکرد الگوریتم خود را برآورد می‌کنیم، می‌توانیم الگوریتم نهایی را روی کل مجموعه داده آموزشی دوباره آموزش دهیم و آماده استفاده عملیاتی شویم. در ادامه، قصد داریم به بررسی چهار تکنیک متفاوتی بپردازیم که می‌توانید برای تقسیم‌بندی مجموعه داده آموزشی و ایجاد برآوردهای مفید از عملکرد الگوریتم‌های یادگیری ماشین خود استفاده کنید.»