کتاب دستورالعمل های یادگیری ماشین با پایتون

کتاب دستورالعمل‌ های یادگیری ماشین با پایتون با نام اصلی Machine learning with Python cookbook: practical solutions from preprocessing to deep learning نوشته کای گالاتین و کریس آلبون با ترجمه فاطمه سادات لسانی و حبیب حیدری توسط نشر دانشگاه صنعتی قم منتشر شده است. این کتاب به‌عنوان راهنمایی جامع برای متخصصان داده و علاقه‌مندان به یادگیری ماشین، مجموعه‌ای از راه‌حل‌های عملی و کدهای آماده را از مراحل ابتدایی پیش‌پردازش داده تا مباحث پیشرفته‌ی یادگیری عمیق ارائه داده است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب دستورالعمل های یادگیری ماشین با پایتون

کتاب دستورالعمل‌های یادگیری ماشین با پایتون، اثری کاربردی در حوزه‌ی علوم داده و یادگیری ماشین است که با ساختاری مبتنی‌بر حل مسئله تدوین شده است. این کتاب به‌جای تمرکز بر آموزش مفاهیم تئوریک، مجموعه‌ای از دستورالعمل‌ها و کدهای پایتون را برای حل چالش‌های رایج در پروژه‌های یادگیری ماشین گردآوری کرده است. هر فصل به یکی از مراحل کلیدی فرایند یادگیری ماشین می‌پردازد؛ از کار با آرایه‌ها و ماتریس‌ها، بارگیری و آماده‌سازی داده‌ها، مدیریت داده‌های عددی و رسته‌ای تا مدل‌سازی، ارزیابی مدل، انتخاب مدل و در نهایت یادگیری عمیق و شبکه‌های عصبی. 

ساختار کتاب دستورالعمل‌های یادگیری ماشین با پایتون نوشته‌ی کای گالاتین و کریس آلبون به‌گونه‌ای است که هر دستورالعمل به‌صورت مستقل و با مثال‌های کد قابل‌اجرا ارائه شده و خواننده می‌تواند بسته به نیاز خود، به‌سرعت راه‌حل مناسب را بیابد و در پروژه‌های واقعی به‌ کار گیرد. این اثر به‌ویژه برای کسانی طراحی شده که با مفاهیم پایه‌ی یادگیری ماشین آشنا هستند و به‌دنبال مرجعی برای پیاده‌سازی عملی و سریع راه‌حل‌ها در محیط پایتون می‌گردند.

خلاصه کتاب دستورالعمل های یادگیری ماشین با پایتون

کتاب دستورالعمل‌های یادگیری ماشین با پایتون با رویکردی مبتنی‌بر حل مسئله، بیش از ۲۰۰ دستورالعمل مستقل را برای رایج‌ترین وظایف یک دانشمند داده یا مهندس یادگیری ماشین گردآوری کرده است. هر دستورالعمل شامل شرح مسئله، راه‌حل گام‌به‌گام و کد پایتون مربوطه است. موضوعات کتاب از ابتدایی‌ترین مراحل مانند ساخت و مدیریت آرایه‌ها و ماتریس‌ها با استفاده از کتابخانه‌هایی چون NumPy آغاز می‌شود و به بارگیری داده‌ها از منابع مختلف (فایل‌های CSV، اکسل، پایگاه داده، داده‌های ابری و بدون ساختار) می‌پردازد. در ادامه، فصل‌های مربوط به آماده‌سازی داده‌ها، پاک‌سازی، مدیریت داده‌های گم‌شده، تبدیل ویژگی‌ها، کدگذاری داده‌های رسته‌ای و عددی و مدیریت داده‌های متنی و زمانی مطرح می‌شود. 

کتاب سپس به مدل‌سازی می‌رسد و دستورالعمل‌هایی برای ساخت مدل‌های پایه، ارزیابی مدل‌ها، انتخاب مدل بهینه و بهبود عملکرد مدل‌ها ارائه می‌دهد. در بخش‌های پیشرفته‌تر، موضوعاتی مانند کاهش ابعاد، کار با داده‌های تصویری، خوشه‌بندی و پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین (درخت تصمیم، جنگل تصادفی، نزدیک‌ترین همسایگی، ماشین بردار پشتیبان، شبکه‌های عصبی و یادگیری عمیق) به‌تفصیل بررسی شده است. در نهایت، کتاب به ذخیره و بارگذاری مدل‌های آموزش‌دیده و ارائه‌ی مدل‌ها برای استفاده در محیط‌های مختلف می‌پردازد. هدف اصلی این اثر، ارائه‌ی راه‌حل‌های سریع و قابل‌اجرا برای مسائل عملی یادگیری ماشین است تا متخصصان بتوانند بدون درگیرشدن با جزئیات تئوریک، مستقیماً به پیاده‌سازی و حل مسائل بپردازند.

چرا باید کتاب دستورالعمل های یادگیری ماشین با پایتون را بخوانیم؟

کتاب دستورالعمل‌های یادگیری ماشین با پایتون برای کسانی که به‌دنبال راه‌حل‌های عملی و سریع برای مسائل یادگیری ماشین هستند، منبعی ارزشمند به‌ شمار می‌آید. ساختار مبتنی‌بر دستورالعمل و ارائه‌ی کدهای آماده، امکان استفاده‌ی مستقیم در پروژه‌های واقعی را فراهم می‌کند. خواننده می‌تواند بدون نیاز به جست‌وجوی پراکنده در منابع مختلف، به‌سرعت راه‌حل مناسب را برای هر مرحله از فرایند یادگیری ماشین بیابد. علاوه‌براین، پوشش جامع موضوعات از پیش‌پردازش داده تا یادگیری عمیق، این کتاب را به مرجعی کاربردی برای متخصصان داده و برنامه‌نویسان پایتون تبدیل کرده است؛ همچنین به‌روزرسانی کدها و مثال‌ها مطابق با آخرین نسخه‌های کتابخانه‌های پایتون، اطمینان از کارآمدی و به‌روزبودن راه‌حل‌ها را به همراه دارد.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین، برنامه‌نویسان پایتون و افرادی مناسب است که با مفاهیم پایه‌ی یادگیری ماشین آشنایی دارند و به‌دنبال راه‌حل‌های عملی برای چالش‌های روزمره‌ی پروژه‌های داده‌محور هستند؛ همچنین برای کسانی که می‌خواهند کدهای آماده و قابل‌اجرا برای مسائل مختلف یادگیری ماشین در اختیار داشته باشند، گزینه‌ای مناسب است. این اثر به  مبتدیان یا کسانی که به‌دنبال آموزش مفاهیم پایه هستند، توصیه نمی‌شود.

بخشی از کتاب دستورالعمل های یادگیری ماشین با پایتون

«این کتاب بنا نیست به عنوان مجموعه‌ای برای آموزش دانش یادگیری ماشین برای دانش‌آموزان و دانشجویان مورد استفاده قرار گیرد، بلکه به عنوان آچاری برای حرفه‌ای‌ها است که بتوانند از کدهای کوچک و آماده برای حل مسائل عملی روزمره یک متخصص یادگیری ماشین استفاده کنند. به طور خاص، این کتاب یک رویکرد مبتنی بر مساله به یادگیری ماشین دارد، یعنی می‌خواهد یک مساله خاص رایج یادگیری ماشین را مطرح کرده و کد کوتاهی برای را‌ه‌حل آن ارائه دهد. این کتاب تقریبا ۲۰۰ راه‌حل مستقل برای رایج‌ترین وظایف یک دانشمند داده یا مهندس یادگیری ماشین دارد که فرد می‌تواند از آن‌ها استفاده کند تا یک مدل یادگیری ماشین اجرا شود (در نسخه الکترونیک کتاب، شما می‌توانید کد را کپی و جایگذاری کرده و اجرا کنید). هدف نهایی این است که کتاب مرجعی برای افرادی باشد که سیستم‌های یادگیری ماشین واقعی را می‌سازند.»