کتاب یادگیری ماشین با پایتون از طریق مثال

کتاب یادگیری ماشین با پایتون از طریق مثال نوشته یوکسی لیو، یادگیری الگوریتم‌ها را به ساخت پروژه‌هایی مانند پیشنهاددهنده‌ی فیلم، طبقه‌بند تصویر و مولد متن پیوند می‌دهد. مسئله‌ی اصلی فقط اجرای کد نیست؛ مدل باید بتواند آموخته‌هایش را روی داده‌های تازه نیز به کار بگیرد. علیرضا کشاورز باحقیقت مترجم این کتاب است و انتشارات نبض دانش آن را منتشر کرده است. مباحث از آماده‌سازی داده و ارزیابی مدل آغاز می‌شوند و به شبکه‌های عصبی، ترنسفورمرها و یادگیری تقویتی می‌رسند. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب یادگیری ماشین با پایتون از طریق مثال

کتاب یادگیری ماشین با پایتون از طریق مثال نوشته یوکسی لیو، مفاهیم یادگیری ماشین را در جریان حل مسئله توضیح می‌دهد. نویسنده الگوریتم‌ها را صرفاً مجموعه‌ای از فرمول‌ها معرفی نکرده است؛ هر روش در ارتباط با داده، هدف پروژه و معیار سنجش نتیجه بررسی می‌شود. این کتاب ۱۵ فصل دارد و مسیر مباحثش از شناخت یادگیری نظارت‌شده، بدون نظارت و تقویتی آغاز می‌شود. فصل نخست علاوه‌بر تفاوت یادگیری ماشین با اتوماسیون، موضوعاتی مانند بیش‌برازش، کم‌برازش، اعتبارسنجی متقابل و مهندسی ویژگی را در بر می‌گیرد. فصل‌های بعدی مسئله‌های مشخصی را دنبال می‌کنند؛ از جمله پیش‌بینی نرخ کلیک تبلیغات آنلاین با الگوریتم‌های مبتنی بر درخت و رگرسیون لجستیک. اجرای چند روش برای یک مسئله، زمینه‌ای فراهم می‌کند تا خواننده ارتباط انتخاب الگوریتم با ویژگی‌های داده را بفهمد. نویسنده در توضیح پیش‌نیازها، آشنایی کافی با پایتون و دانش پایه‌ی احتمال و جبر خطی را ضروری دانسته است. بنابراین محتوای این کتاب بر آموزش مقدماتی برنامه‌نویسی متمرکز نیست و بخش مهمی از مطالعه به فهم سازوکار مدل‌ها اختصاص دارد.
کتاب یادگیری ماشین با پایتون از طریق مثال، پیاده‌سازی بعضی الگوریتم‌ها از صفر را در کنار استفاده از کتابخانه‌های پایتون قرار داده است. این شیوه، فاصله‌ی میان شناخت اجزای یک روش و استفاده از ابزارهای آماده را کمتر می‌کند. فصل کاوش مجموعه‌داده‌ی ۲۰ گروه خبری، تبدیل متن به مقادیر عددی، پاک‌سازی واژه‌ها، کاهش بعد و نمایش برداری کلمات را دنبال می‌کند. مبحث خوشه‌بندی و مدل‌سازی موضوع نیز امکان کشف الگوها در داده‌های بدون برچسب را نشان می‌دهد. فصل‌های مربوط به یادگیری عمیق، شبکه‌های پیچشی، شبکه‌های بازگشتی، تحلیل احساسات و تولید متن را پوشش می‌دهند. جست‌وجوی تصویر با مدل چندوجهی CLIP نیز ارتباط داده‌های متنی و تصویری را وارد بحث می‌کند. فصل دهم با عنوان بهترین شیوه‌های یادگیری ماشین، ۲۱ نکته را در سراسر گردش کار پروژه بررسی کرده است. این نکته‌ها از فهم هدف و رسیدگی به داده‌های گم‌شده تا ذخیره‌کردن، پایش و به‌روزرسانی مدل ادامه دارند. تمرین‌های پایان فصل‌ها نیز فرصتی برای مرور مفاهیم و ادامه‌دادن پیاده‌سازی‌ها فراهم می‌کنند.

خلاصه کتاب یادگیری ماشین با پایتون از طریق مثال

کتاب یادگیری ماشین با پایتون از طریق مثال بر یک مسئله‌ی محوری بنا شده است: چگونه می‌توان از داده‌های موجود، الگویی آموخت که برای ورودی‌های ناآشنا نیز مفید باشد؟ نویسنده برای توضیح این مسئله، مجموعه‌های آموزش، اعتبارسنجی و آزمون را از هم جدا می‌کند. مدل موفق صرفاً پاسخ نمونه‌های آموزشی را حفظ نمی‌کند و پیچیدگی بیشتر نیز الزاماً نتیجه‌ی بهتری نمی‌سازد. اعتبارسنجی متقابل، منظم‌سازی و انتخاب ویژگی، ابزارهایی برای بررسی و کنترل این وضعیت هستند. مباحث بعدی نشان می‌دهند که نوع خروجی و ماهیت داده، مسیر حل مسئله را تغییر می‌دهد؛ پیش‌بینی یک مقدار عددی با تعیین یک دسته یا کشف گروه‌های پنهان یکسان نیست. پیام مشترک پروژه‌ها، ضرورت توجه هم‌زمان به کیفیت داده، تناسب الگوریتم و ارزیابی عملکرد است. فرایند کار نیز پس از آموزش پایان نمی‌یابد و پایش مدل بخشی از مسئولیت توسعه‌دهنده باقی می‌ماند.

چرا باید کتاب یادگیری ماشین با پایتون از طریق مثال را بخوانیم؟

دلایل خواندن کتاب یادگیری ماشین با پایتون از طریق مثال را می‌توان این‌طور خلاصه کرد:

• پیاده‌سازی از صفر، اجزای درونی برخی الگوریتم‌ها را در کنار ابزارهای آماده نشان می‌دهد.
• مقایسه‌ی مدل‌ها روی مسئله‌های مشترک، به فهم معیارهای انتخاب روش کمک می‌کند.
• بحث تعمیم و اعتبارسنجی، محدودیت اتکا به نتیجه‌ی آموزش را روشن می‌کند.
• پوشش استقرار و پایش، توجه را به مسئولیت‌های پس از ساخت مدل گسترش می‌دهد.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب یادگیری ماشین با پایتون از طریق مثال به این گروه‌ها پیشنهاد می‌شود:

• برنامه‌نویسان آشنا با پایتون که قصد ورود به یادگیری ماشین دارند.
• دانشجویانی که به تمرین پیاده‌سازی الگوریتم‌ها نیاز دارند.
• علاقه‌مندان به تحلیل متن، پردازش تصویر و مدل‌های مولد.