معرفی و دانلود کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R

معرفی کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R

کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R نوشته‌ی مسعود کاویانی یک منبع آموزشی است که می‌کوشد به شیوه‌ای ساده و ابتدایی و با تمرکز بر کارکردی بودن آموزه‌ها، مسائل مبنایی مربوط به حوزه‌های هوش مصنوعی، داده‌کاوی و یادگیری ماشین را بر اساس زبان‌های پایتون و R به مخاطبان بیاموزد.

درباره‌ی کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R

تکنولوژی هوش مصنوعی و یادگیری ماشین هر روز به شکلی گسترده‌تر در دنیا رواج می‌یابد و شغل‌ها و صنایع بیشتری را دربرمی‌گیرد. دامنه‌ی نفوذ و فعالیت این دو تکنولوژی روز به روز بیشتر می‌شود. از این رو، امروزه کمتر حوزه‌ای وجود دارد که بدون استفاده از هوش مصنوعی و یادگیری عمیق، بتواند به پیشرفت ادامه دهد. در حال حاضر، این تکنولوژی در صنایع مختلفی از جمله رباتیک و ماشین‌های خودران، ژنتیک و زیست‌شناسی و حتی پزشکی کاربرد دارد و بخش بزرگی از نیازهای این صنایع را برطرف می‌کند. با توجه به این مسئله، متخصصان حوزه‌های علمی مختلف باید با آموختن این دانش نوظهور، به پیشرفت و توسعه‌ی زمینه‌ی کاری خود، کمک کنند.

مسعود کاویانی در کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R تلاش کرده تا منبعی ساده و ابتدایی را ترتیب دهد که بر مبنای آن، علاقه‌مندان به یادگیری این حوزه‌ی علمی که پیشینه و پیش‌نیاز علمی خاصی در این حوزه ندارند، بتوانند به سادگی از آن بهره ببرند و با حوزه‌های داده‌کاوی، هوش مصنوعی، یادگیری ماشین و یادگیری عمیق آشنا شوند.

نبود منبع فارسی‌زبانی که به‌سادگی و اختصار مفاهیم این علم را به مخاطب منتقل کند و خواندن آن به پیشینه‌ی علمی نیاز نداشته باشد، انگیزه‌ی نویسنده برای نگارش این کتاب بوده است. او در کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R، بیشتر بر مثال‌های کاربردی و مبانی و مفاهیم بنیادین این حوزه تأکید دارد و از این جهت، کتابی مناسب افراد مبتدی تألیف کرده است.

خوانندگان کتاب حاضر، پس از آشنایی با ساختار کلی حوزه‌های هوش مصنوعی، داده‌کاوی و یادگیری ماشین، خواهند توانست با استفاده از زبان‌های برنامه‌نویسی پایتون و ‌R مسائل دنیای واقعی را حل کنند و بدین ترتیب از آموخته‌های نظری خود، در عمل استفاده کنند. نویسنده به سبب رعایت سادگی و اختصار کتاب، از شرح و بسط تفصیلی الگوریتم‌ها و روش‌ها، تا حد امکان، پرهیز کرده است و بیشتر بر جنبه‌ی درک شهودی الگوریتم‌ها تمرکز دارد.

در نهایت می‌توان گفت کتاب حاضر تلاش می‌کند به خوانندگان بیاموزد که با بهره بردن از شیوه‌های کاربردی، از دانش هوش مصنوعی و یادگیری ماشین، برای حل مسائل دنیای واقعی به صورتی روش‌مند، استفاده کنند. این کتاب شیوه‌ی استفاده از الگوریتم‌های یادگیری ماشین و یادگیری عمیق را برای رسیدن به هدف مذکور، به مخاطب خواهد آموخت.

کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R نوشته‌ی مسعود کاویانی توسط انتشارات مؤسسه‌ی فرهنگی هنری دیباگران تهران به چاپ رسیده است.

کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R برای چه کسانی مناسب است؟

کتاب حاضر برای علاقه‌مندان به یادگیری دانش هوش مصنوعی و الگوریتم‌های یادگیری ماشین و یادگیری عمیق، که پیشینه‌ی علمی در این حوزه ندارند، مناسب و کاربردی است.

در بخشی از کتاب یادگیری ماشین و یادگیری عمیق با زبان‌های پایتون و R می‌خوانیم

در مجموعه‌های داده، بعضاً تعداد متغیرها، که به آن‌ها ویژگی‌ها یا ابعاد نیز گفته می‌شود زیاد شده و نیاز است تا تعداد آن‌ها را کاهش دهیم؛ برای مثال، در یک مسأله ممکن است با 1000 متغیر (ویژگی) روبه‌رو شویم و بخواهیم تعداد این 1000 متغیر را به 50 متغیر کاهش دهیم. با این کار متغیرهای باقی‌مانده اهمیت بالاتری نسبت به متغیرهای حذف‌شده دارند و الگوریتم مدل‌سازی در مراحل بعدی می‌تواند با مشاهده‌ی تعداد کمتری از متغیرها، یادگیری را انجام دهد.

انتخاب ویژگی و کاهش ابعاد می‌توانند سرعت یادگیری و پیش‌بینی را برای الگوریتم‌های مدل‌سازی افزایش دهند و در برخی از مواقع دقت این الگوریتم‌ها نیز با بهبود روبه‌رو خواهد شد.

انتخاب ویژگی و کاهش ابعاد هر دو باعث کاهش تعداد متغیرها می‌شوند؛ ولی روش انجام آن‌ها با یکدیگر تفاوت دارد. در انتخاب ویژگی، زیرمجموعه‌ای از متغیرهای فعلی (که اهمیت و ارزش بالاتری نسبت به بقیه‌ی متغیرها دارند) انتخاب شده، درحالی‌که در کاهش ابعاد یک تابع کاهنده، ویژگی‌ها را دریافت کرده و از آن‌ها تعدادی متغیر جدید ایجاد می‌کند. تعداد این متغیرهای جدید عموماً کمتر از تعداد متغیرهای اصلی هستند.

فهرست مطالب کتاب

فصل اول: مبانی داده‌کاوی و یادگیری ماشین
فصل دوم: پایتون و R، نصب و مقدمات
فصل سوم: شناخت و تحلیل اکتشافی داده‌ها
فصل چهارم: پیش‌پردازش و آماده‌سازی داده‌ها
فصل پنجم: یادگیری نظارت‌شده: طبقه‌بندی و رگرسیون
فصل ششم: یادگیری غیرنظارت‌شده: خوشه‌بندی
فصل هفتم: شبکه‌های عصبی مصنوعی و یادگیری عمیق