
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
راهنمایی ساده برای یادگیری روشهای عملی یادگیری ماشین با پایههای ریاضی
ویژگیهای کلیدی
توضیحات
این کتاب برای متخصصان شاغلی که میخواهند یادگیری ماشین را از صفر یاد بگیرند، گزینهای عالی خواهد بود. فصل اول، فصل مقدماتی خواهد بود تا خوانندگان با مفهوم یادگیری ماشین و نظریههای ریاضیِ لازم راحت شوند. در سراسر کتاب، ترکیبی متعادل از نظریههای زیربناییِ ریاضی متناسب با هر موضوعِ یادگیری ماشین ارائه میشود و همزمان پیادهسازی آن موضوع با پایتون نیز توضیح داده خواهد شد. بیشتر پیادهسازیها بر پایهی scikit-learn انجام میشوند، اما برای برخی مباحث مثل تحلیل متن یا یادگیری عمیق از کتابخانههای دیگر پایتون مانند Gensim یا PyTorch نیز استفاده خواهد شد.
کتاب بر اساس فصلبندیِ موضوعات اصلی یادگیری ماشین مثل طبقهبندی، رگرسیون، خوشهبندی، یادگیری عمیق، دادهکاوی متن و موارد مشابه تقسیم میشود. همچنین کتاب روشهای مختلف بهکارگیری مدلهای یادگیری ماشین را در سیستمهایی در سطح تولید توضیح میدهد؛ چه با تکیه بر «دادههای بزرگ» و چه در چارچوبهای غیرِ دادهبزرگ، همراه با استانداردها و روشهای خروجی گرفتنِ مدلها.
چه چیزهایی یاد خواهید گرفت
مخاطب این کتاب
این کتاب برای متخصصان باتجربهی نرمافزار مناسب است که قصد دارند وارد حوزهی یادگیری ماشین شوند. هر کسی که میخواهد مفاهیم و مدلهای یادگیری ماشین را در چرخهی تولید و بهرهبرداری یاد بگیرد، میتواند از این کتاب استفاده کند.
فهرست مطالب
1. مقدمهای بر یادگیری ماشین و پیشنیازهای ریاضی
2. طبقهبندی
3. رگرسیون
4. خوشهبندی
5. یادگیری عمیق و شبکههای عصبی
6. یادگیری بدون نظارتِ متفرقه
7. دادهکاوی متن
8. مدلهای یادگیری ماشین در تولید
9. مطالعههای موردی و روایتگریِ علم داده
دربارهی نویسنده
آویشک دارای مدرک کارشناسی ارشد در تحلیل داده و یادگیری ماشین از BITS (پیلانی) و مدرک کارشناسی در علوم کامپیوتر از دانشگاه فناوری وست بنگال (WBUT) است. او بیش از ۱۴ سال تجربه در شرکتهای معتبر مختلفی مانند VMware، Cognizant، Cisco، Mobile Iron و… دارد. فعالیت کاری خود را بهعنوان توسعهدهندهی جاوا آغاز کرده و حدود پنج سال پیش به حوزهی اصلی یادگیری ماشین منتقل شده است. او تجربهی عملی در طراحی و توسعهی سامانههای یادگیری ماشین دارد؛ از مرحلهی آغاز تا استقرار در محیط تولید در چندین سازمان.
پایههای قوی در ریاضیات/آمار و همچنین سابقهی جدی در توسعهی محصول به او کمک کرده است تا بهسرعت در دنیای ML و علم داده پیشرفت کند. او دانش و تجربهی خود را از طریق همین کتاب به اشتراک گذاشته است و میتواند به هر مهندس نرمافزار کمک کند تا این حوزه را بهسرعت شروع کند. او همچنین وبلاگ مینویسد و همان مطالب را میتوانید در
وبلاگ شما
لینکدین شما
دنبال کنید.
An easy-to-understand guide to learn practical Machine Learning techniques with Mathematical foundationsKey FeaturesDescriptionThis book will be ideal for working professionals who want to learn Machine Learning from scratch. The first chapter will be an introductory chapter to make readers comfortable with the idea of Machine Learning and the required mathematical theories. There will be a balanced combination of underlying mathematical theories corresponding to any Machine Learning topic and its implementation using Python. Most of the implementations will be based on scikit-learn, but other Python libraries like Gensim or PyTorch will also be used for some topics like text analytics or deep learning. The book will be divided into chapters based on primary Machine Learning topics like Classification, Regression, Clustering, Deep Learning, Text Mining, etc. The book will also explain different techniques of putting Machine Learning models into production-grade systems using Big Data or Non-Big Data flavors and standards for exporting models.What will you learnWho this book is forThis book would be ideal for experienced Software Professionals who are trying to get into the field of Machine Learning. Anyone who wishes to Learn Machine Learning concepts and models in the production lifecycle.Table of Contents1. Introduction to Machine Learning & Mathematical preliminaries2. Classification3. Regression4. Clustering5. Deep Learning & Neural Networks6. Miscellaneous Unsupervised Learning7. Text Mining8. Machine Learning models in production9. Case Studies & Data Science StorytellingAbout the AuthorAvishek has a Masters degree in Data Analytics & Machine Learning from BITS (Pilani) and a Bachelors degree in Computer Science from West Bengal University of Technology (WBUT). He has more than 14 years of experience in different renowned companies like VMware, Cognizant, Cisco, Mobile Iron, etc. He started his career as a Java developer and later moved to the core area of Machine Learning around five years back. He has practical experience in the design & development of Machine Learning systems, starting from inception to production in multiple organizations. Strong foundations in Mathematics/Statistics and a solid experience in product development had helped him to excel quickly in the world of ML & Data Science. He has shared his knowledge & experience through this book, which can help any Software Engineer to kick start in this area. He also writes blogs, and the same can be found atYour BlogYour LinkedIn