معرفی ۱۰ کتاب یادگیری ماشین لرنینگ با پایتون

از
در این کتاب، فصلهایی نیر به مفاهیم یادگیری عمیق شامل «خودرمزگذارها» (Autoencoders) و «شبکههای عصبی بازگشتی» (Recurrent Neural Networks) اختصاص داده شده و همچنین، به مبحث یادگیری تقویتی نیز پرداخته شده است. این کتاب برای توسعه دهندگان پایتون و «تحلیلگران داده» (Data Analysers) یا «دانشمندان دادهای» (Data Scientists) مناسب است که در صدد ارتقا مهارتهای خود با قدرتمندترین مباحث حوزه علم داده هستند. در حال حاضر، «هوش مصنوعی» (Artificial Intelligence)، «یادگیری ماشین» (Machine Learning) و «علم داده» (Data Science) از مباحث داغ روز هستند. در کتاب «Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems» یا «کتاب یادگیری ماشین با سایکیتلِرن و تنسورفلو: مفاهیم، ابزارها و روشهای ساخت سیستمهای هوشمند»، با استفاده از مثالها، مباحث نظری کوتاه و دو «چارچوب نرمافزاری» (Framework) «سایکیتلِرن» (Scikit-Learn) و «تنسورفلو» (TensorFlow)، امکان به دست آوردن درکی کامل پیرامون مفاهیم و ابزارهای موجود برای ساخت سیستمهای هوشمند فراهم شده است. در این کتاب، چگونگی اعمال یادگیری نظارت نشده روی دادهها با استفاده از دو چارچوب نرمافزاری پایتون سایکیتلرن و تنسورفلو آموزش داده شده است. این ویرایش جدید از کتاب، حاوی مباحث زیادی است که در ویرایش اول کتاب پوشش داده نشده بودند.

در این کتاب معماریهای شبکههای عصبی مانند «شبکههای عصبی پیچشی» (Convolutional Neural Networks) و «حافظه طولانی مدت کوتاه | اِلاِستیاِم» (Long Short-Term Memory | LSTM) تشریح شدهاند و چگونگی ساخت شبکههای عصبی با استفاده از کتابخانه های محبوب پایتون مانند کرس آموزش داده شده است. مواردی که در ادامه به عنوان کتاب یادگیری ماشین با پایتون معرفی میشوند، از جمله کتابهای محبوب و پرمخاطبی هستند که توسط ناشرهای معروف دنیا تولید شدهاند. مخاطبان میتوانند پورتفولیو یادگیری ماشین خود را با شش پروژه هوش مصنوعی لبه علم بسازند که با استفاده از شبکههای عصبی در پایتون ساخته شدهاند. بسیاری از کارشناسان حوزه هوش مصنوعی و یادگیری ماشین بر این باور هستند که «یادگیری نظارت نشده» (Unsupervised Learning) (به آن یادگیری بیناظر یا یادگیری بدون ناظر نیز گفته میشود) خط مقدم هوش مصنوعی خواهد بود و احتمالا کلید «هوش مصنوعی عمومی» (General Artificial Intelligence) در دستای یادگیری نظارت نشده است. از جمله مباحث مورد بررسی در این کتاب میتوان به بررسی نقاط ضعف و قوت رویکردهای مختلف یادگیری ماشین (با ناظر، بی ناظر و یادگیری تقویتی)، راهاندازی و مدیریت پروژههای یادگیری ماشین، ساخت سیستم «تشخیص ناهنجاری» (Anomaly Detection) برای کشف کلاهبرداری کارتهای اعتباری، خوشهبندی کاربران در گروههای متمایز و همگن، اجرای یادگیری «نیمهنظارت شده» (Semi Supervised Learning)، توسعه «سیستم پیشنهادگر» (Recommender Systems) فیلم با استفاده از «ماشین بولتزمن محدود» (Restricted Boltzmann Machines)، تولید تصاویر مصنوعی با استفاده از شبکههای مولد تخاصمی و بسیاری از دیگر موارد مورد بررسی قرار گرفته است.

اگر شما هر گونه سوالی در رابطه با کجا و نحوه استفاده از مجله خبری fudzilla دارید، می توانید با ما در صفحه وب تماس بگیرید.

ویرایش دوم «کتاب یادگیری ماشین برای کاملا مبتدیها: یک مقدمه کاملا به زبان ساده» (Machine Learning For Absolute Beginners: A Plain English Introduction)، برای علاقهمندان یادگیری ماشین لرنینگ در سطح کاملا مبتدی است. مخاطبان میتوانند با مطالعه این کتابها به یادگیری ماشین لرنینگ با پایتون بپردازند. در این نسخه از کتاب یادگیری ماشین با پایتون به روشهای لبه علم «یادگیری تقویتی» (Reinforcement Learning) بر مبنای «یادگیری عمیق» (Deep Learning) و «شبکههای مولد تخاصمی» (Generative Adversarial Networks | GANs) نیز پرداخته شده است. به افرادی که به دنبال استفاده از پایتون برای پاسخگویی به پرسشهای مهم پیرامون دادهها هستند، مطالعه «کتاب یادگیری ماشین با پایتون، ویرایش اول» (Python Machine Learning, 1st Edition) پیشنهاد میشود. کتاب مذکور شامل موضوعات دستهبندی، «پاکسازی دادهها» (Data Cleaning) و کار با «دادههای ناموجود» (Missing Data)، «تحلیل اکتشافی دادهها» (Exploratory Data Analysis)، گامهای متداول «پیشپردازش» (Preprocessing) دادهها، انتخاب ویژگی، انتخاب مدل و بسیاری از دیگر مباحث میشود. در این مطلب، معرفی ۱۰ کتاب یادگیری ماشین لرنینگ با پایتون انجام میشود. این کتاب یادگیری ماشین لرنینگ با پایتون توسط سازنده کرس و پژوهشگر «گوگل ایآی» (Google AI) «فرانسوا شوله» (François Chollet) نوشته شده است. این کتاب یازدهم، ویژه افرادی است که علاقهمند به ورود به دنیای یادگیری ماشین هستند.

در «کتاب یادگیری عمیق با پایتون» (Deep Learning with Python) مبحث یادگیری عمیق با استفاده از زبان برنامهنویسی پایتون و کتابخانه قدرتمند کرس، مورد بررسی قرار میگیرد. کتاب «مقدمهای بر یادگیری ماشین با پایتون: راهنمایی برای دانشمندان داده» (Introduction to Machine Learning with Python: A Guide for Data Scientists) به افرادی که برنامهنویسی پایتون را میدانند، حتی افرادی با دانش مقدماتی، راهکارهای عملی برای ساخت راهکارهای یادگیری ماشین را میآموزد. در ادامه یک کتاب یادگیری ماشین نیز ویژه مبتدیهایی معرفی میشود که هیچ شناخته برنامهنویسی ندارند. با بهرهگیری از این کتاب یادگیری ماشین با پایتون مخاطبان گامهای لازم برای ساخت یک برنامه کاربردی یادگیری ماشین موفق را با پایتون و کتابخانه سایکیتلرن میآموزند. همچنین، در این کتاب، روشهای پیشرفته برای ارزیابی مدل و تنظیم پارامترها و روشهای کار با دادههای متنی تشریح شده است. مخاطبان با مطالعه این کتاب، طیفی از روشها را با شروع از «رگرسیون خطی» (Linear Regression) تا «شبکههای عصبی عمیق» (Deep Neural Networks) خواهند آموخت. کتاب «پروژههای شبکه عصبی با پایتون: راهنمای جامع استفاده از پایتون برای اکتشاف قدرت واقعی شبکههای عصبی از طریق شش پروژه» (Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through six projects) همانگونه که از نام آن پیدا است با رویکرد کاملا پروژه محور تدوین شده است.