در کتاب یادگیری ماشین عملی با Scikit- learn, ‬keras و TensorFlow، اورلین جرون به ما نشان می‌دهد که چگونه با استفاده از ابزارهایی ساده، برنامه‌هایی را اجرا کنیم که قادر به یادگیری از داده‌ها هستند و می‌توانند سیستم‌های هوشمند طراحی کنند. این کتاب از پرفروش‌ترین کتاب‌های آمازون در حوزه‌ی پردازش داده بوده است.

درباره‌ی کتاب یادگیری ماشین عملی با Scikit- learn, keras و TensorFlow:

از طریق مجموعه‌ای از پیشرفت‌هایی که اخیراً رخ داده‌اند، یادگیری عمیقْ حوزه‌ی یادگیری ماشین را تقویت کرده است. درحال‌حاضر، حتی برنامه‌نویسانی که تقریباً چیزی در مورد این فناوری نمی‌دانند می‌توانند از ابزارهایی کارآمد استفاده کنند که توانایی یادگیری از داده‌ها را دارند. کتاب یادگیری ماشین عملی با Scikit- learn, ‬keras و TensorFlow چگونگی این کار را به ما نشان می‌دهد.

اورلین جرون (Aurélien Géron) به ما کمک می‌کند تا درکی بصری از مفاهیم و ابزارهای ساخت سیستم‌های هوشمند به دست آوریم. در این کتاب طیف وسیعی از تکنیک‌ها را یاد خواهیم گرفت که از رگرسیون خطی ساده شروع می‌شود و تا شبکه‌های عصبی عمیق پیش می‌رود. تمرین‌هایی نیز در انتهای هر فصل وجود دارند که به ما کمک می‌کنند تا یادگیری‌های خود را به کار ببندیم.

یادگیری ماشین عملی با Scikit- learn, keras و TensorFlow کتابی ساده و کاربردی است. این کتاب فرض گرفته است که شما تقریباً هیچ‌چیز در مورد یادگیری ماشین نمی‌دانید و فقط تجربه‌ی برنامه‌نویسی دارید.

کتاب حاضر (Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow) از پرفروش‌ترین کتاب‌های آمازون در حوزه‌ی پردازش داده بوده است و توانسته به بسیاری از مخاطبان تازه‌کار راهکارهایی ساده و عملی نشان دهد که از طریق آن بتوانند سیستم‌هایی طراحی کنند تا پاسخ‌گوی نیازهایشان باشد.

کتاب یادگیری ماشین عملی با Scikit- learn, keras و TensorFlow برای چه کسانی مناسب است؟

اگر تجربه‌ی برنامه‌نویسی دارید و علاقه دارید درباره‌ی یادگیری ماشین اطلاعات جالبی کسب کنید، این کتاب برای شما مناسب است.

با اورلین جرون بیشتر آشنا شویم:

نویسنده‌ی کتاب حاضر مشاور و مربی حوزه‌ی یادگیری ماشین است. اورلین جرون سابقه‌ی کار در گوگل، یوتیوب و بسیاری از شرکت‌های بزرگ و معتبر دیگر را دارد. او تاکنون چند کتاب در حوزه‌ی برنامه‌نویسی منتشر کرده و این نخستین اثر اوست که به فارسی برگردانده می‌شود.

در بخشی از کتاب یادگیری ماشین عملی با Scikit- learn, keras و TensorFlow می‌خوانیم:

احتمالاً پیش‌پاافتاده‌ترین شکل یادگیری صرفاً حفظ کردن است. اگر بخواهید از این طریق فیلتر اسپم ایجاد کنید، فقط ایمیل‌های یکسان با ایمیل‌هایی که قبلاً توسط کاربران پرچم‌گذاری‌شده پرچم‌گذاری می‌کند.

فیلتر اسپم به‌جای فقط پرچم‌گذاری ایمیل‌هایی که با ایمیل‌های هرزنامه شناخته‌شده یکسان هستند، می‌تواند به گونه‌ای برنامه‌ریزی شود که ایمیل‌هایی را که بسیار شبیه نامه‌های اسپم شناخته‌شده هستند نیز پرچم‌گذاری کند. این مستلزم اندازه‌گیری شباهت بین دو ایمیل است. یک معیار شباهت بین دو ایمیل می‌تواند شمارش تعداد کلمات آن‌ها باشد. اگر کلمات زیادی با یک نامه الکترونیکی هرزنامه شناخته شود، این سیستم ایمل را به‌عنوان اسپم علامت‌گذاری می‌کند.

در یادگیری مبتنی بر نمونه سیستم نمونه‌ها را حفظ می‌کند، سپس با مقایسه آن‌ها با مثال‌های یادگرفته‌شده به موارد جدید تعمیم می‌یابد.

فهرست مطالب کتاب

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