کتاب Machine Learning in Action

کتاب Machine Learning in Action (یادگیری ماشین در عمل) یک کتاب منحصر به فرد است که نظریه های پایه یادگیری ماشین را با واقعیت های عملی ابزار ساخت برای تجزیه و تحلیل اطلاعات روزمره ترکیب می کند. تمرکز اصلی این کتاب ارایه آموزش های لازم جهت پیاده سازی الگوریتم های مختلف یادگیری ماشین به یکی از محبوب ترین زبان های برنامه نویسی موجود یعنی زبان برنامه نویسی Python می باشد که جهت ساخت Application های کاربردی این حوزه از قبیل های طبقه بندی داده ها، پیش بینی ها، توصیه ها و ویژگی های سطح بالا مانند خلاصه سازی و ساده سازی را استفاده می گردد.

همانطور که می دانید، امروزه Machine Learning به بخش اصلی در اغلب شرکت های معتبر، تبدیل شده است. این موضوع به ویژه در استارتاپ های حوزه های نرم افزار و فناوری اطلاعات نمود بیشتری دارد. از طرف دیگر زبان برنامه نویسی پایتون (Python) و نیز کتابخانه های بهینه ای که توسط شرکت های بزرگ مانند Google و Facebook برای علم هوش مصنوعی و Machine Learning ارایه شده اند، بستر بسیار مناسبی جهت فعالیت های این حوزه را فراهم نموده است.

Machine Learning (یادگیری ماشین) یکی از زیرشاخه‌های اصلی Artificial Intelligence (هوش مصنوعی) می باشد که به صورت کلی بدین صورت تعریف می شود که اگر سیستمی بدون این که به صورت مستقیم (Explicit Programming) برنامه نویسی شود، قابلیت درک و یادگیری را داشته باشد. در واقع اگر سیستمی بتواند به صورت خودکار از محیط پیرامون آموزش ببیند و در نهایت عملکرد خود را بهبود بخشد، عملاً یادگیری توسط آن سیستم اجرا شده است؛ دقیقاً مانند یادگیری یک کودک از محیط اطرافش.

در انتها قابل ذکر است که خوانندگان این کتاب نیازی به تجربه پیشین یادگیری ماشین یا پردازش آماری ندارند؛ همچنین آشنایی با زبان برنامه نویسی پایتون می تواند سرعت شما در مطالعه این کتاب را بسیار بالا ببرد به گونه ای که از تک تک بخش های آن لذت کافی را ببرید. این کتاب را به دوستان و علاقمندان حوزه هوش مصنوعی و یادگیری ماشین پیشنهاد کنید.

آکادمی یادگیری ماشین ایران (Iran Machine Learning) با توجه به درخواست شما دوستان گرامی، این کتاب را دراختیار تمامی شیفتگان یادگیری ماشین، به صورت رایگان قرار می دهد. لینک دانلود در انتهای همین بخش قرار داده شده است.

1. مقدمه
2. نمونه های عملی از کاربرد های Machine Learning
3. تجزیه و تحلیل داده ها هر روز
4. اجرای الگوریتم های کلاسی مانند Apriori و AdaBoost
5. طبقه بندی (Classification)
6. اصول اولیه یادگیری ماشین
7. طبقه بندی با نزدیکترین همسایگان k
8. تقسیم مجموعه داده ها یک ویژگی در یک زمان: درخت تصمیم گیری
9. طبقه بندی با نظریه احتمالی: Bayes naïve
10. رگرسیون لجستیک
11. ماشین های بردار پشتیبانی
12. بهبود طبقه بندی با الگوریتم Meta AdaBoost
13. ارزش های عددی پیش بینی شده با رگرسیون
14. پیش بینی مقادیر عددی: رگرسیون
15. رگرسیون مبتنی بر درخت
16. یادگیری بدون ناظر (Unsupervised Learning)
17. گروه بندی اقلام بدون برچسب با استفاده از خوشه بندی و روش k-means
18. تجزیه و تحلیل انجمن با الگوریتم Apriori
19. مقابله مؤثر با اقلام مکرر با رشد FP
20. بخش چهارم ابزارهای اضافی
21. آموزش روش PCA یا Principal Component Analysis
22. ساده سازی داده ها به صورت عملی (ادامه)
23. داده های کلان و MapReduce