یادگیری ماشین عملی با Scikit-Learn، Keras و TensorFlow (یادگیری ماشین با پایتون)

معرفی کوتاه

یادگیری ماشین عملی با Scikit-Learn، Keras و TensorFlow (یادگیری ماشین با پایتون)

کتاب یادگیری ماشین عملی با Scikit-Learn ،Keras و TensorFlow شامل مفاهیم، ابزارها و تکنیک‌هایی برای ساخت سیستم‌های هوشمند (یادگیری ماشین با پایتون) است که توسط اورلین جرون نوشته شده و با ترجمهٔ جواد وحیدی و مژگان الیکائی آهاری در انتشارات فناوری نوین به چاپ رسیده است. یادگیری ماشین صنعت را تسخیر کرده است و اکنون در قلب بسیاری از جادوهای محصولات با تکنولوژی قرار دارد. یادگیری ماشین نتایج جست‌وجوی وب را رتبه‌بندی کرده، تشخیص گفتار تلفن هوشمند را تقویت و به شما ویدیو توصیه می‌کند.

در سال 2006، جفری هینتون و همکارانش مقاله‌ای منتشر کردند که نشان می‌داد چگونه آموزش یک شبکه عصبی عمیق قادر به تشخیص ارقام دست‌نویس با دقت پیشرفته (> 98>) را است. آن‌ها این تکنیک را یادگیری عمیق نام‌گذاری کردند. در آن زمان آموزش شبکه عصبی عمیق غیرممکن تلقی می‌شد و اکثر محققان از دهه 1990 این ایده را کنار گذاشته بودند. نتایج این مقاله علاقه جامعه علمی را در مورد یادگیری عمیق دوباره زنده کرد و نشان داد که یادگیری عمیق نه‌تنها امکان‌پذیر است، بلکه می‌تواند دستاوردهای حیرت‌انگیزی داشته باشد که هیچ تکنیک یادگیری ماشین (ML) نمی‌تواند با آن‌ها مطابقت داشته باشد. این اشتیاق به‌زودی به بسیاری از زمینه‌های دیگر یادگیری ماشین گسترش یافت.

فهرست مطالب کتاب یادگیری ماشین عملی با Scikit-Learn، Keras و TensorFlow (یادگیری ماشین با پایتون) به شرح زیر می باشد:

• فصل اول: چشم‌انداز یادگیری ماشین
• فصل دوم: پروژه‌ی یادگیری ماشین End-to-End
• فصل سوم: طبقه‌بندی
• فصل چهارم: مدل‌های یادگیری
• فصل پنجم: ماشین بردار پشتیبان
• فصل ششم: درخت تصمیم‌گیری
• فصل هفتم: یادگیری جمعی و جنگل تصادفی
• فصل هشتم: کاهش ابعاد
• فصل نهم: تکنیک‌های یادگیری بدون نظارت
• فصل دهم: مقدمه‌ای بر شبکه‌های عصبی مصنوعی با Keras
• فصل یازدهم: آموزش شبکه‌های عصبی عمیق
• فصل دوازدهم: مدل‌های سفارشی و آموزش با TensorFlow
• فصل سیزدهم: بارگیری و پیش‌پردازش داده‌ها با TensorFlow
• فصل چهاردهم: عمیق کامپیوتری با استفاده از شبکه‌های عصبی پیچشی