کتاب مقدمه ای بر یادگیری ماشین با Python

کتاب مقدمه‌ای بر یادگیری ماشین با Python نوشته آندرئاس مولر و سارا گوئیدو و ترجمه محمدمحسن صدر، مصطفی اخوان صفار و حمید شیخ‌ویسی است که انتشارات آتی‌نگر آن را منتشر کرده است. این کتاب یادگیری ماشین را از زاویه‌ی پیاده‌سازی و کار با داده‌ها توضیح می‌دهد و به‌جای درنگ طولانی بر مباحث ریاضی، سراغ ساخت مدل، ارزیابی، پیش‌پردازش، مهندسی ویژگی و کار با داده‌های متنی می‌رود. تمرکز اصلی اثر بر استفاده از پایتون و کتابخانه‌های رایج این حوزه است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب مقدمه ای بر یادگیری ماشین با Python

کتاب مقدمه‌ای بر یادگیری ماشین با Python نوشته آندرئاس مولر و سارا گوئیدو به‌عنوان راهنمایی برای ورود به دنیای یادگیری ماشین طراحی شده است؛ راهنمایی که از همان ابتدا مسئله را به زبان کاربرد، داده و مدل مطرح می‌کند. متن کتاب از این فرض شروع می‌کند که یادگیری ماشین فقط مخصوص تیم‌های بزرگ پژوهشی نیست و می‌توان آن را در مسائل واقعی هم به‌کار گرفت. به‌همین دلیل، بحث از مثال‌های ملموس آغاز می‌شود؛ از تشخیص هرزنامه و شناسایی چهره تا تحلیل داده‌های پزشکی و تراکنش‌های مالی. در کنار این مثال‌ها، کتاب روی یک نکته‌ی مهم تمرکز می‌کند: پیش از انتخاب الگوریتم، باید مسئله، داده و معیار موفقیت را شناخت.
کتاب مقدمه‌ای بر یادگیری ماشین با Python در ۸ فصل پیش می‌رود و مسیر یادگیری را از مفاهیم پایه تا کار با داده‌های متنی دنبال می‌کند. فصل‌های آغازین به معرفی یادگیری با نظارت و بدون‌نظارت، ساخت نخستین مدل و آشنایی با مجموعه‌داده‌ها اختصاص دارند. سپس کتاب سراغ الگوریتم‌های پرکاربردی مثل نزدیک‌ترین همسایگان، مدل‌های خطی، درخت تصمیم، گروه‌های درختی، ماشین‌های بردار پشتیبانی و شبکه‌های عصبی می‌رود. بخش‌های بعدی به پیش‌پردازش، مقیاس‌بندی، کاهش ابعاد، مهندسی ویژگی، ارزیابی مدل، اعتبارسنجی متقابل، جست‌وجوی مشبک و خطوط لوله می‌پردازند. فصل مربوط به داده‌های متنی هم نشان می‌دهد که چگونه می‌توان متن را به شکلی قابل‌استفاده برای مدل‌ها تبدیل کرد.
این کتاب در سراسر مسیر خود بر کار با Python و ابزارهایی مثل scikit-learn، NumPy، SciPy، pandas، matplotlib و Jupyter تکیه دارد. نویسندگان به‌جای پرداختن به اثبات‌های طولانی، بیشتر روی این تمرکز کرده‌اند که هر مدل در چه موقعیتی به‌کار می‌آید، داده‌ها چگونه باید آماده شوند و خطاهای رایج در ارزیابی مدل چیست. نتیجه، متنی است که هم برای آشنایی اولیه با مفاهیم اصلی مناسب است و هم برای کسانی که می‌خواهند از مرحله‌ی شناخت مسئله به مرحله‌ی ساخت نمونه‌ی اولیه برسند.

خلاصه کتاب مقدمه ای بر یادگیری ماشین با Python

کتاب مقدمه‌ای بر یادگیری ماشین با Python مسیر کار با یادگیری ماشین را از تعریف مسئله آغاز می‌کند و قدم‌به‌قدم به انتخاب داده، ساخت مدل و سنجش نتیجه می‌رساند. نویسندگان ابتدا توضیح می‌دهند که چه نوع مسائلی با یادگیری با نظارت و بدون‌نظارت حل می‌شوند و چرا شناخت ویژگی‌های داده از خود الگوریتم کم‌اهمیت‌تر نیست. سپس با یک مثال شناخته‌شده، فرایند ساخت نخستین مدل را نشان می‌دهند و بعد سراغ الگوریتم‌های اصلی، پیش‌پردازش، کاهش ابعاد، مهندسی ویژگی، ارزیابی و تنظیم مدل می‌روند. بخش پایانی هم به داده‌های متنی، خطوط لوله و گسترش کار از نمونه‌ی اولیه به کاربردهای جدی‌تر اختصاص دارد.

چرا باید کتاب مقدمه ای بر یادگیری ماشین با Python را بخوانیم؟

دلایل خواندن کتاب مقدمه‌ای بر یادگیری ماشین با Python را می‌توان این‌طور خلاصه کرد:

• کتاب مسیر ورود به یادگیری ماشین را از تعریف مسئله تا ارزیابی مدل به‌صورت پیوسته نشان می‌دهد.
• مطالب آن بر استفاده از Python و کتابخانه‌های رایج این حوزه متمرکز است و از همان ابتدا پیوند میان مفهوم و کدنویسی را روشن می‌کند.
• فصل‌های جداگانه درباره‌ی پیش‌پردازش، مهندسی ویژگی و اعتبارسنجی کمک می‌کنند خطاهای رایج در ساخت مدل بهتر دیده شوند.
• بخش کار با داده‌های متنی نشان می‌دهد که یادگیری ماشین فقط به داده‌های عددی محدود نیست.
• کتاب برای کسانی که می‌خواهند از مثال‌های آموزشی به مسئله‌های واقعی نزدیک شوند، تصویری روشن از فرایند کار ارائه می‌دهد.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

خواندن کتاب مقدمه‌ای بر یادگیری ماشین با Python به این گروه‌ها پیشنهاد می‌شود:

• علاقه‌مندان به یادگیری ماشین که می‌خواهند مفاهیم پایه را همراه با نمونه‌های اجرایی در Python دنبال کنند.
• دانشجویان و فعالان علوم داده که به شناخت الگوریتم‌های پرکاربرد، ارزیابی مدل و آماده‌سازی داده نیاز دارند.
• برنامه‌نویسانی که می‌خواهند از کتابخانه‌هایی مثل scikit-learn، pandas و NumPy در پروژه‌های تحلیلی استفاده کنند.
• مخاطبانی که می‌خواهند تفاوت یادگیری با نظارت و بدون‌نظارت را در بستر مثال‌های واقعی بهتر بفهمند.
• کسانی که به کار با داده‌های متنی، ساخت خطوط لوله و تبدیل یک ایده به نمونه‌ی اولیه‌ی قابل‌آزمون علاقه دارند.