یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow | معرفی و فهرست مطالب

یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب

توسط admin | گروه هوش مصنوعی | 1405/06/01

نظرات 0

یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب

عنوان اصلی
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow - Front Matter and Table of Contents
عنوان ترجمه‌شده
یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
اثر
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow - ویرایش سوم
نویسنده
Aurélien Géron
سمت/سابقهٔ نویسنده
مشاور یادگیری ماشین؛ مدیر پیشین تیم طبقه‌بندی ویدئوی YouTube
زبان اصلی
انگلیسی
صفحات منبع
1-16
وضعیت حقوق
حق‌نشر اثر اصلی © 2023 Aurélien Géron؛ کاربر حق ترجمه و استفاده/بازنشر را برای این پردازش تأیید کرده است.
تاریخ ترجمه
1405/06/01 / 2026-08-23
اعتبار ترجمه
ترجمه با کمک هوش مصنوعی

فهرست پیوندهای مجموعه از ۰۱ تا ۸۰

  1. ۱ - یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
  2. ۲ - پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
  3. ۳ - سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
  4. ۴ - کاربردها و انواع سامانه‌های یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
  5. ۵ - یادگیری دسته‌ای و برخط؛ یادگیری نمونه‌محور و مدل‌محور
  6. ۶ - چالش‌های اصلی یادگیری ماشین: کیفیت داده، بیش‌برازش و کم‌برازش
  7. ۷ - آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرین‌های فصل ۱
  8. 08 - فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورت‌بندی مسئله و معیارهای ارزیابی
  9. 09 - کار با Google Colab و شناخت ساختار داده‌های مسکن کالیفرنیا
  10. 10 - ساخت مجموعهٔ آزمون و نمونه‌گیری طبقه‌بندی‌شده
  11. 11 - کاوش و مصورسازی داده، همبستگی‌ها و ترکیب ویژگی‌ها
  12. 12 - آماده‌سازی داده: پاک‌سازی، ویژگی‌های دسته‌ای و مقیاس‌بندی
  13. 13 - تبدیل ویژگی‌ها، Transformerهای سفارشی و Pipelineهای پیش‌پردازش
  14. 14 - انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
  15. 15 - ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
  16. بخش ۱۶ - Machine_Learning_405_06_16.html
  17. بخش ۱۷ - Machine_Learning_405_06_17.html
  18. بخش ۱۸ - Machine_Learning_405_06_18.html
  19. بخش ۱۹ - Machine_Learning_405_06_19.html
  20. بخش ۲۰ - Machine_Learning_405_06_20.html
  21. بخش ۲۱ - Machine_Learning_405_06_21.html
  22. بخش ۲۲ - Machine_Learning_405_06_22.html
  23. بخش ۲۳ - Machine_Learning_405_06_23.html
  24. بخش ۲۴ - Machine_Learning_405_06_24.html
  25. بخش ۲۵ - Machine_Learning_405_06_25.html
  26. بخش ۲۶ - Machine_Learning_405_06_26.html
  27. بخش ۲۷ - Machine_Learning_405_06_27.html
  28. بخش ۲۸ - Machine_Learning_405_06_28.html
  29. بخش ۲۹ - Machine_Learning_405_06_29.html
  30. بخش ۳۰ - Machine_Learning_405_06_30.html
  31. بخش ۳۱ - Machine_Learning_405_06_31.html
  32. بخش ۳۲ - Machine_Learning_405_06_32.html
  33. بخش ۳۳ - Machine_Learning_405_06_33.html
  34. بخش ۳۴ - Machine_Learning_405_06_34.html
  35. بخش ۳۵ - Machine_Learning_405_06_35.html
  36. بخش ۳۶ - Machine_Learning_405_06_36.html
  37. بخش ۳۷ - Machine_Learning_405_06_37.html
  38. بخش ۳۸ - Machine_Learning_405_06_38.html
  39. بخش ۳۹ - Machine_Learning_405_06_39.html
  40. بخش ۴۰ - Machine_Learning_405_06_40.html
  41. بخش ۴۱ - Machine_Learning_405_06_41.html
  42. بخش ۴۲ - Machine_Learning_405_06_42.html
  43. بخش ۴۳ - Machine_Learning_405_06_43.html
  44. بخش ۴۴ - Machine_Learning_405_06_44.html
  45. بخش ۴۵ - Machine_Learning_405_06_45.html
  46. بخش ۴۶ - Machine_Learning_405_06_46.html
  47. بخش ۴۷ - Machine_Learning_405_06_47.html
  48. بخش ۴۸ - Machine_Learning_405_06_48.html
  49. بخش ۴۹ - Machine_Learning_405_06_49.html
  50. بخش ۵۰ - Machine_Learning_405_06_50.html
  51. بخش ۵۱ - Machine_Learning_405_06_51.html
  52. بخش ۵۲ - Machine_Learning_405_06_52.html
  53. بخش ۵۳ - Machine_Learning_405_06_53.html
  54. بخش ۵۴ - Machine_Learning_405_06_54.html
  55. بخش ۵۵ - Machine_Learning_405_06_55.html
  56. بخش ۵۶ - Machine_Learning_405_06_56.html
  57. بخش ۵۷ - Machine_Learning_405_06_57.html
  58. بخش ۵۸ - Machine_Learning_405_06_58.html
  59. بخش ۵۹ - Machine_Learning_405_06_59.html
  60. بخش ۶۰ - Machine_Learning_405_06_60.html
  61. بخش ۶۱ - Machine_Learning_405_06_61.html
  62. بخش ۶۲ - Machine_Learning_405_06_62.html
  63. بخش ۶۳ - Machine_Learning_405_06_63.html
  64. بخش ۶۴ - Machine_Learning_405_06_64.html
  65. بخش ۶۵ - Machine_Learning_405_06_65.html
  66. بخش ۶۶ - Machine_Learning_405_06_66.html
  67. بخش ۶۷ - Machine_Learning_405_06_67.html
  68. بخش ۶۸ - Machine_Learning_405_06_68.html
  69. بخش ۶۹ - Machine_Learning_405_06_69.html
  70. بخش ۷۰ - Machine_Learning_405_06_70.html
  71. 71 - فصل ۱۸: یادگیری تقویتی | یادگیری برای بیشینه‌کردن پاداش
  72. 72 - Q-Value، یادگیری اختلاف زمانی و Q-Learning | Temporal Difference Learning
  73. 73 - فصل ۱۹: آموزش و استقرار مدل‌های TensorFlow در مقیاس بزرگ | ارائهٔ مدل TensorFlow به‌صورت سرویس
  74. 74 - فرمت‌های Batch Prediction و استقرار مدل روی Edge | استقرار مدل روی موبایل و دستگاه‌های نهفته
  75. 75 - Data Parallelism با پارامترهای متمرکز | به‌روزرسانی همگام و ناهمگام
  76. بخش ۷۶ - Machine_Learning_405_06_76.html
  77. بخش ۷۷ - Machine_Learning_405_06_77.html
  78. بخش ۷۸ - Machine_Learning_405_06_78.html
  79. بخش ۷۹ - Machine_Learning_405_06_79.html
  80. بخش ۸۰ - Machine_Learning_405_06_80.html

ویرایش سوم

Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow

یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow

مفاهیم، ابزارها و روش‌های ساخت سامانه‌های هوشمند

تصویر سمندر روی جلد کتاب

Aurélien Géron

معرفی کتاب

در پی مجموعه‌ای از پیشرفت‌های مهم در سال‌های اخیر، یادگیری عمیق کل حوزهٔ یادگیری ماشین را متحول کرده است. اکنون حتی برنامه‌نویسانی که تقریباً هیچ آشنایی قبلی با این فناوری ندارند می‌توانند با ابزارهای ساده و کارآمد، برنامه‌هایی بسازند که از داده یاد می‌گیرند. این کتاب پرفروش با استفاده از مثال‌های عینی، حداقل نظریهٔ لازم و چارچوب‌های Python آمادهٔ محیط عملیاتی یعنی Scikit-Learn، Keras و TensorFlow، کمک می‌کند درکی شهودی از مفاهیم و ابزارهای ساخت سامانه‌های هوشمند به دست آورید.

در ویرایش سوم به‌روزشده، Aurélien Géron مجموعهٔ گسترده‌ای از روش‌ها را بررسی می‌کند؛ از رگرسیون خطی ساده تا شبکه‌های عصبی عمیق. مثال‌های متعدد کد و تمرین‌های کتاب به شما کمک می‌کنند آموخته‌های خود را در عمل به‌کار بگیرید. برای شروع، تجربهٔ برنامه‌نویسی کافی است.

  • با Scikit-Learn یک پروژهٔ نمونهٔ یادگیری ماشین را از ابتدا تا انتها دنبال کنید.
  • مدل‌های مختلف، از جمله ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی و روش‌های تجمیعی را بررسی کنید.
  • از روش‌های یادگیری بدون نظارت مانند کاهش ابعاد، خوشه‌بندی و تشخیص ناهنجاری استفاده کنید.
  • معماری‌های شبکهٔ عصبی، از جمله شبکه‌های کانولوشنی، شبکه‌های بازگشتی، شبکه‌های مولد تخاصمی، خودرمزگذارها، مدل‌های انتشار و Transformerها را عمیق‌تر بررسی کنید.
  • با TensorFlow و Keras شبکه‌های عصبی لازم برای بینایی رایانه‌ای، پردازش زبان طبیعی، مدل‌های مولد و یادگیری تقویتی عمیق را بسازید و آموزش دهید.
«منبعی استثنایی برای مطالعهٔ یادگیری ماشین؛ توضیحاتی روشن و شهودی و مجموعه‌ای غنی از نکته‌های عملی در آن خواهید یافت.»
François Chollet، نویسندهٔ Keras و کتاب Deep Learning with Python
«این کتاب مقدمه‌ای بسیار خوب بر نظریه و عمل حل مسئله با شبکه‌های عصبی است؛ آن را به هر کسی که به یادگیری عملی یادگیری ماشین علاقه دارد توصیه می‌کنم.»
Pete Warden، مسئول بخش موبایل TensorFlow

Aurélien Géron مشاور یادگیری ماشین است. او پیش‌تر در Google فعالیت می‌کرد و از ۲۰۱۳ تا ۲۰۱۶ تیم طبقه‌بندی ویدئوی YouTube را رهبری کرد. از ۲۰۰۲ تا ۲۰۱۲ هم‌بنیان‌گذار و مدیر ارشد فناوری Wifirst، یکی از ارائه‌دهندگان مهم خدمات اینترنت بی‌سیم در فرانسه، بود و در سال ۲۰۰۱ نیز Polyconseil، شرکت مشاورهٔ مخابراتی، را به‌عنوان هم‌بنیان‌گذار و مدیر ارشد فناوری راه‌اندازی کرد.

حوزه: علم داده / یادگیری ماشین. قیمت درج‌شده روی جلد: ۷۹٫۹۹ دلار آمریکا و ۹۹٫۹۹ دلار کانادا. ISBN: 978-1-098-12597-4.

نشانی‌های ناشر در نسخهٔ اصلی: Twitter: @oreillymedia، linkedin.com/company/oreilly-media، youtube.com/oreillymedia.

صفحهٔ عنوان

ویرایش سوم

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow: مفاهیم، ابزارها و روش‌های ساخت سامانه‌های هوشمند

نویسنده: Aurélien Géron

شهرهای درج‌شده در صفحهٔ عنوان ناشر: Beijing، Boston، Farnham، Sebastopol و Tokyo.

اطلاعات نشر و حقوق اثر

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow، نوشتهٔ Aurélien Géron. حق‌نشر © ۲۰۲۳ Aurélien Géron. تمامی حقوق محفوظ است. چاپ‌شده در ایالات متحدهٔ آمریکا.

ناشر: O’Reilly Media, Inc.، نشانی: 1005 Gravenstein Highway North, Sebastopol, CA 95472. کتاب‌های O’Reilly برای استفادهٔ آموزشی، تجاری یا تبلیغات فروش قابل خرید هستند. نسخه‌های برخط بیشتر عناوین نیز در https://oreilly.com در دسترس‌اند. اطلاعات فروش سازمانی: 800-998-9938 یا corporate@oreilly.com.

ویراستار جذب اثر
Nicole Butterfield
ویراستاران توسعه
Nicole Taché و Michele Cronin
ویراستار تولید
Beth Kelly
ویراستار متن
Kim Cofer
نمونه‌خوان
Rachel Head
نمایه‌ساز
Potomac Indexing, LLC
طراح داخلی
David Futato
طراح جلد
Karen Montgomery
تصویرگر
Kate Dullea
  • مارس ۲۰۱۷: ویرایش اول
  • سپتامبر ۲۰۱۹: ویرایش دوم
  • اکتبر ۲۰۲۲: ویرایش سوم

تاریخچهٔ بازبینی ویرایش سوم: ۲۰۲۲-۱۰-۰۳: انتشار نخست. جزئیات انتشار در https://oreilly.com/catalog/errata.csp?isbn=9781492032649 آمده است.

نشان O’Reilly علامت تجاری ثبت‌شدهٔ O’Reilly Media, Inc. است. عنوان کتاب، تصویر جلد و ظاهر تجاری مرتبط نیز علائم تجاری O’Reilly Media, Inc. هستند.

دیدگاه‌های بیان‌شده در این اثر متعلق به نویسنده‌اند و لزوماً دیدگاه ناشر را بازتاب نمی‌دهند. ناشر و نویسنده با حسن نیت برای اطمینان از دقت اطلاعات و دستورالعمل‌های کتاب تلاش کرده‌اند، اما مسئولیتی در قبال خطا یا حذف، از جمله خسارت ناشی از استفاده یا اتکا به مطالب، نمی‌پذیرند. استفاده از اطلاعات و دستورالعمل‌ها با مسئولیت خود خواننده است. اگر نمونه‌های کد یا فناوری‌های شرح‌داده‌شده تحت مجوزهای متن‌باز یا حقوق مالکیت فکری دیگران باشند، رعایت آن مجوزها و حقوق بر عهدهٔ استفاده‌کننده است.

شمارهٔ کتاب: 978-1-098-12597-4 [LSI].

فهرست مطالب

پیشگفتار - صفحهٔ xv

بخش اول: مبانی یادگیری ماشین

۱. چشم‌انداز یادگیری ماشین - صفحهٔ ۳

  • یادگیری ماشین چیست؟ - ۴
  • چرا از یادگیری ماشین استفاده کنیم؟ - ۵
  • نمونه‌هایی از کاربردها - ۸
  • انواع سامانه‌های یادگیری ماشین - ۹
  • نظارت در آموزش - ۱۰
  • یادگیری دسته‌ای در برابر یادگیری برخط - ۱۷
  • یادگیری نمونه‌محور در برابر یادگیری مدل‌محور - ۲۱
  • چالش‌های اصلی یادگیری ماشین - ۲۷
  • کمبود دادهٔ آموزشی - ۲۷
  • دادهٔ آموزشی غیرنماینده - ۲۸
  • دادهٔ کم‌کیفیت - ۳۰
  • ویژگی‌های نامرتبط - ۳۰
  • بیش‌برازش دادهٔ آموزشی - ۳۰
  • کم‌برازش دادهٔ آموزشی - ۳۳
  • نگاهی دوباره به تصویر کلی - ۳۳
  • آزمون و اعتبارسنجی - ۳۴
  • تنظیم فراپارامتر و انتخاب مدل - ۳۴
  • ناهماهنگی داده - ۳۵
  • تمرین‌ها - ۳۷

۲. پروژهٔ یادگیری ماشین از ابتدا تا انتها - صفحهٔ ۳۹

  • کار با دادهٔ واقعی - ۳۹
  • نگاه به تصویر کلی - ۴۱
  • صورت‌بندی مسئله - ۴۱
  • انتخاب معیار عملکرد - ۴۳
  • بررسی فرض‌ها - ۴۶
  • دریافت داده - ۴۶
  • اجرای مثال‌های کد با Google Colab - ۴۶
  • ذخیرهٔ تغییرات کد و داده - ۴۸
  • قدرت و خطر تعامل‌پذیری - ۴۹
  • کد کتاب در برابر کد دفترچه - ۵۰
  • دریافت داده - ۵۰
  • نگاهی سریع به ساختار داده - ۵۱
  • ساخت مجموعهٔ آزمون - ۵۵
  • کاوش و تصویری‌سازی داده برای به‌دست‌آوردن بینش - ۶۰
  • تصویری‌سازی دادهٔ جغرافیایی - ۶۱
  • جست‌وجوی هم‌بستگی‌ها - ۶۳
  • آزمایش ترکیب ویژگی‌ها - ۶۶
  • آماده‌سازی داده برای الگوریتم‌های یادگیری ماشین - ۶۷
  • پاک‌سازی داده - ۶۸
  • مدیریت ویژگی‌های متنی و رده‌ای - ۷۱
  • مقیاس‌بندی و تبدیل ویژگی - ۷۵
  • تبدیل‌گرهای سفارشی - ۷۹
  • خط‌لوله‌های تبدیل - ۸۳
  • انتخاب و آموزش مدل - ۸۸
  • آموزش و ارزیابی روی مجموعهٔ آموزشی - ۸۸
  • ارزیابی بهتر با اعتبارسنجی متقابل - ۸۹
  • تنظیم دقیق مدل - ۹۱
  • جست‌وجوی شبکه‌ای - ۹۱
  • جست‌وجوی تصادفی - ۹۳
  • روش‌های تجمیعی - ۹۵
  • تحلیل بهترین مدل‌ها و خطاهای آن‌ها - ۹۵
  • ارزیابی سامانه روی مجموعهٔ آزمون - ۹۶
  • راه‌اندازی، پایش و نگهداری سامانه - ۹۷
  • خودتان امتحان کنید - ۱۰۰
  • تمرین‌ها - ۱۰۱

۳. طبقه‌بندی - صفحهٔ ۱۰۳

  • MNIST - ۱۰۳
  • آموزش طبقه‌بند دودویی - ۱۰۶
  • معیارهای عملکرد - ۱۰۷
  • اندازه‌گیری دقت با اعتبارسنجی متقابل - ۱۰۷
  • ماتریس‌های درهم‌ریختگی - ۱۰۸
  • دقت مثبت و یادآوری - ۱۱۰
  • موازنهٔ دقت مثبت/یادآوری - ۱۱۱
  • منحنی ROC - ۱۱۵
  • طبقه‌بندی چندکلاسه - ۱۱۹
  • تحلیل خطا - ۱۲۲
  • طبقه‌بندی چندبرچسبی - ۱۲۵
  • طبقه‌بندی چندخروجی - ۱۲۷
  • تمرین‌ها - ۱۲۹

۴. آموزش مدل‌ها - صفحهٔ ۱۳۱

  • رگرسیون خطی - ۱۳۲
  • معادلهٔ نرمال - ۱۳۴
  • پیچیدگی محاسباتی - ۱۳۷
  • نزول گرادیان - ۱۳۸
  • نزول گرادیان دسته‌ای - ۱۴۲
  • نزول گرادیان تصادفی - ۱۴۵
  • نزول گرادیان مینی‌دسته‌ای - ۱۴۸
  • رگرسیون چندجمله‌ای - ۱۴۹
  • منحنی‌های یادگیری - ۱۵۱
  • مدل‌های خطی منظم‌شده - ۱۵۵
  • رگرسیون Ridge - ۱۵۶
  • رگرسیون Lasso - ۱۵۸
  • رگرسیون Elastic Net - ۱۶۱
  • توقف زودهنگام - ۱۶۲
  • رگرسیون لجستیک - ۱۶۴
  • برآورد احتمال‌ها - ۱۶۴
  • آموزش و تابع هزینه - ۱۶۵
  • مرزهای تصمیم - ۱۶۷
  • رگرسیون Softmax - ۱۷۰
  • تمرین‌ها - ۱۷۳

۵. ماشین‌های بردار پشتیبان - صفحهٔ ۱۷۵

  • طبقه‌بندی خطی SVM - ۱۷۵
  • طبقه‌بندی با حاشیهٔ نرم - ۱۷۶
  • طبقه‌بندی غیرخطی SVM - ۱۷۸
  • هستهٔ چندجمله‌ای - ۱۸۰
  • ویژگی‌های شباهت - ۱۸۱
  • هستهٔ گاوسی RBF - ۱۸۱
  • کلاس‌های SVM و پیچیدگی محاسباتی - ۱۸۳
  • رگرسیون SVM - ۱۸۴
  • درون‌مایهٔ طبقه‌بندهای خطی SVM - ۱۸۶
  • مسئلهٔ دوگان - ۱۸۹
  • SVMهای هسته‌ای - ۱۹۰
  • تمرین‌ها - ۱۹۳

۶. درخت‌های تصمیم - صفحهٔ ۱۹۵

  • آموزش و تصویری‌سازی درخت تصمیم - ۱۹۵
  • انجام پیش‌بینی - ۱۹۷
  • برآورد احتمال کلاس - ۱۹۹
  • الگوریتم آموزشی CART - ۱۹۹
  • پیچیدگی محاسباتی - ۲۰۰
  • ناخالصی Gini یا آنتروپی؟ - ۲۰۱
  • فراپارامترهای منظم‌سازی - ۲۰۱
  • رگرسیون - ۲۰۴
  • حساسیت به جهت‌گیری محورها - ۲۰۶
  • واریانس بالای درخت‌های تصمیم - ۲۰۷
  • تمرین‌ها - ۲۰۸

۷. یادگیری تجمیعی و جنگل‌های تصادفی - صفحهٔ ۲۱۱

  • طبقه‌بندهای رأی‌گیری - ۲۱۲
  • Bagging و Pasting - ۲۱۵
  • Bagging و Pasting در Scikit-Learn - ۲۱۷
  • ارزیابی خارج از کیسه - ۲۱۸
  • Random Patches و Random Subspaces - ۲۱۹
  • جنگل‌های تصادفی - ۲۲۰
  • Extra-Trees - ۲۲۰
  • اهمیت ویژگی - ۲۲۱
  • Boosting - ۲۲۲
  • AdaBoost - ۲۲۲
  • Gradient Boosting - ۲۲۶
  • Gradient Boosting مبتنی بر هیستوگرام - ۲۳۰
  • Stacking - ۲۳۲
  • تمرین‌ها - ۲۳۵

۸. کاهش ابعاد - صفحهٔ ۲۳۷

  • نفرین ابعاد - ۲۳۸
  • رویکردهای اصلی کاهش ابعاد - ۲۳۹
  • فرافکنی - ۲۳۹
  • یادگیری منیفلد - ۲۴۱
  • PCA - ۲۴۳
  • حفظ واریانس - ۲۴۳
  • مؤلفه‌های اصلی - ۲۴۴
  • فرافکنی به d بُعد - ۲۴۵
  • استفاده از Scikit-Learn - ۲۴۶
  • نسبت واریانس تبیین‌شده - ۲۴۶
  • انتخاب تعداد مناسب ابعاد - ۲۴۷
  • PCA برای فشرده‌سازی - ۲۴۹
  • PCA تصادفی - ۲۵۰
  • PCA افزایشی - ۲۵۰
  • فرافکنی تصادفی - ۲۵۲
  • LLE - ۲۵۴
  • دیگر روش‌های کاهش ابعاد - ۲۵۶
  • تمرین‌ها - ۲۵۷

۹. روش‌های یادگیری بدون نظارت - صفحهٔ ۲۵۹

  • الگوریتم‌های خوشه‌بندی: k-means و DBSCAN - ۲۶۰
  • k-means - ۲۶۳
  • محدودیت‌های k-means - ۲۷۲
  • خوشه‌بندی برای بخش‌بندی تصویر - ۲۷۳
  • خوشه‌بندی برای یادگیری نیمه‌نظارت‌شده - ۲۷۵
  • DBSCAN - ۲۷۹
  • الگوریتم‌های دیگر خوشه‌بندی - ۲۸۲
  • آمیخته‌های گاوسی - ۲۸۳
  • آمیخته‌های گاوسی برای تشخیص ناهنجاری - ۲۸۸
  • انتخاب تعداد خوشه‌ها - ۲۸۹
  • مدل‌های آمیختهٔ گاوسی بیزی - ۲۹۲
  • الگوریتم‌های دیگر تشخیص ناهنجاری و تازگی - ۲۹۳
  • تمرین‌ها - ۲۹۴

بخش دوم: شبکه‌های عصبی و یادگیری عمیق

۱۰. مقدمه‌ای بر شبکه‌های عصبی مصنوعی با Keras - صفحهٔ ۲۹۹

  • از نورون زیستی تا نورون مصنوعی - ۳۰۰
  • نورون‌های زیستی - ۳۰۱
  • محاسبات منطقی با نورون‌ها - ۳۰۳
  • پرسپترون - ۳۰۴
  • پرسپترون چندلایه و پس‌انتشار - ۳۰۹
  • MLPهای رگرسیونی - ۳۱۳
  • MLPهای طبقه‌بندی - ۳۱۵
  • پیاده‌سازی MLP با Keras - ۳۱۷
  • ساخت طبقه‌بند تصویر با Sequential API - ۳۱۸
  • ساخت MLP رگرسیونی با Sequential API - ۳۲۸
  • ساخت مدل‌های پیچیده با Functional API - ۳۲۹
  • ساخت مدل‌های پویا با Subclassing API - ۳۳۶
  • ذخیره و بازیابی مدل - ۳۳۷
  • استفاده از Callbackها - ۳۳۸
  • تصویری‌سازی با TensorBoard - ۳۴۰
  • تنظیم دقیق فراپارامترهای شبکهٔ عصبی - ۳۴۴
  • تعداد لایه‌های پنهان - ۳۴۹
  • تعداد نورون‌های هر لایهٔ پنهان - ۳۵۰
  • نرخ یادگیری، اندازهٔ دسته و دیگر فراپارامترها - ۳۵۱
  • تمرین‌ها - ۳۵۳

۱۱. آموزش شبکه‌های عصبی عمیق - صفحهٔ ۳۵۷

  • مسائل گرادیان‌های محوشونده/انفجاری - ۳۵۸
  • مقداردهی اولیهٔ Glorot و He - ۳۵۹
  • توابع فعال‌سازی بهتر - ۳۶۱
  • نرمال‌سازی دسته‌ای - ۳۶۷
  • برش گرادیان - ۳۷۲
  • استفادهٔ دوباره از لایه‌های ازپیش‌آموزش‌دیده - ۳۷۳
  • یادگیری انتقالی با Keras - ۳۷۵
  • پیش‌آموزش بدون نظارت - ۳۷۷
  • پیش‌آموزش با وظیفهٔ کمکی - ۳۷۸
  • بهینه‌سازهای سریع‌تر - ۳۷۹
  • Momentum - ۳۷۹
  • گرادیان شتاب‌گرفتهٔ Nesterov - ۳۸۱
  • AdaGrad - ۳۸۲
  • RMSProp - ۳۸۳
  • Adam - ۳۸۴
  • AdaMax - ۳۸۵
  • Nadam - ۳۸۶
  • AdamW - ۳۸۶
  • زمان‌بندی نرخ یادگیری - ۳۸۸
  • جلوگیری از بیش‌برازش با منظم‌سازی - ۳۹۲
  • منظم‌سازی ℓ1 و ℓ2 - ۳۹۳
  • Dropout - ۳۹۴
  • Monte Carlo Dropout - ۳۹۷
  • منظم‌سازی Max-Norm - ۳۹۹
  • جمع‌بندی و راهنمای عملی - ۴۰۰
  • تمرین‌ها - ۴۰۲

۱۲. مدل‌های سفارشی و آموزش با TensorFlow - صفحهٔ ۴۰۳

  • مروری سریع بر TensorFlow - ۴۰۳
  • استفاده از TensorFlow مانند NumPy - ۴۰۷
  • Tensorها و عملیات - ۴۰۷
  • Tensorها و NumPy - ۴۰۹
  • تبدیل نوع‌ها - ۴۰۹
  • متغیرها - ۴۱۰
  • ساختارهای دادهٔ دیگر - ۴۱۰
  • سفارشی‌سازی مدل‌ها و الگوریتم‌های آموزش - ۴۱۲
  • توابع هزینهٔ سفارشی - ۴۱۲
  • ذخیره و بارگذاری مدل‌های دارای اجزای سفارشی - ۴۱۳
  • توابع فعال‌سازی، مقداردهی اولیه، منظم‌ساز و محدودیت‌های سفارشی - ۴۱۵
  • معیارهای سفارشی - ۴۱۶
  • لایه‌های سفارشی - ۴۱۹
  • مدل‌های سفارشی - ۴۲۲
  • هزینه‌ها و معیارهای مبتنی بر اجزای داخلی مدل - ۴۲۴
  • محاسبهٔ گرادیان با مشتق‌گیری خودکار - ۴۲۶
  • حلقه‌های آموزش سفارشی - ۴۳۰
  • توابع و گراف‌های TensorFlow - ۴۳۳
  • AutoGraph و ردیابی - ۴۳۵
  • قواعد TF Function - ۴۳۷
  • تمرین‌ها - ۴۳۸

۱۳. بارگذاری و پیش‌پردازش داده با TensorFlow - صفحهٔ ۴۴۱

  • رابط tf.data - ۴۴۲
  • زنجیره‌کردن تبدیل‌ها - ۴۴۳
  • برزدن داده - ۴۴۵
  • درهم‌گذاری خطوط از چند فایل - ۴۴۶
  • پیش‌پردازش داده - ۴۴۸
  • کنار هم گذاشتن همه‌چیز - ۴۴۹
  • Prefetching - ۴۵۰
  • استفاده از Dataset با Keras - ۴۵۲
  • قالب TFRecord - ۴۵۳
  • فایل‌های فشردهٔ TFRecord - ۴۵۴
  • مقدمه‌ای کوتاه بر Protocol Buffers - ۴۵۴
  • Protobufهای TensorFlow - ۴۵۶
  • بارگذاری و تجزیهٔ نمونه‌ها - ۴۵۷
  • مدیریت فهرست‌های تودرتو با SequenceExample Protobuf - ۴۵۹
  • لایه‌های پیش‌پردازش Keras - ۴۵۹
  • لایهٔ Normalization - ۴۶۰
  • لایهٔ Discretization - ۴۶۳
  • لایهٔ CategoryEncoding - ۴۶۳
  • لایهٔ StringLookup - ۴۶۵
  • لایهٔ Hashing - ۴۶۶
  • کدگذاری ویژگی‌های رده‌ای با Embedding - ۴۶۶
  • پیش‌پردازش متن - ۴۷۱
  • استفاده از مؤلفه‌های مدل زبانی ازپیش‌آموزش‌دیده - ۴۷۳
  • لایه‌های پیش‌پردازش تصویر - ۴۷۴
  • پروژهٔ TensorFlow Datasets - ۴۷۵
  • تمرین‌ها - ۴۷۷

۱۴. بینایی رایانه‌ای عمیق با شبکه‌های عصبی کانولوشنی - صفحهٔ ۴۷۹

  • معماری قشر بینایی - ۴۸۰
  • لایه‌های کانولوشنی - ۴۸۱
  • فیلترها - ۴۸۴
  • روی‌هم‌گذاری چند نقشهٔ ویژگی - ۴۸۵
  • پیاده‌سازی لایه‌های کانولوشنی با Keras - ۴۸۷
  • نیازمندی‌های حافظه - ۴۹۰
  • لایه‌های Pooling - ۴۹۱
  • پیاده‌سازی Pooling با Keras - ۴۹۳
  • معماری‌های CNN - ۴۹۵
  • LeNet-5 - ۴۹۸
  • AlexNet - ۴۹۹
  • GoogLeNet - ۵۰۲
  • VGGNet - ۵۰۵
  • ResNet - ۵۰۵
  • Xception - ۵۰۹
  • SENet - ۵۱۰
  • دیگر معماری‌های شاخص - ۵۱۲
  • انتخاب معماری مناسب CNN - ۵۱۴
  • پیاده‌سازی ResNet-34 با Keras - ۵۱۵
  • استفاده از مدل‌های ازپیش‌آموزش‌دیدهٔ Keras - ۵۱۶
  • مدل‌های ازپیش‌آموزش‌دیده برای یادگیری انتقالی - ۵۱۸
  • طبقه‌بندی و مکان‌یابی - ۵۲۱
  • تشخیص شیء - ۵۲۳
  • شبکه‌های کاملاً کانولوشنی - ۵۲۵
  • You Only Look Once - ۵۲۷
  • ردیابی شیء - ۵۳۰
  • بخش‌بندی معنایی - ۵۳۱
  • تمرین‌ها - ۵۳۵

۱۵. پردازش دنباله‌ها با RNN و CNN - صفحهٔ ۵۳۷

  • نورون‌ها و لایه‌های بازگشتی - ۵۳۸
  • سلول‌های حافظه - ۵۴۰
  • دنباله‌های ورودی و خروجی - ۵۴۱
  • آموزش RNNها - ۵۴۲
  • پیش‌بینی سری زمانی - ۵۴۳
  • خانوادهٔ مدل ARMA - ۵۴۹
  • آماده‌سازی داده برای مدل‌های یادگیری ماشین - ۵۵۲
  • پیش‌بینی با مدل خطی - ۵۵۵
  • پیش‌بینی با RNN ساده - ۵۵۶
  • پیش‌بینی با RNN عمیق - ۵۵۷
  • پیش‌بینی سری زمانی چندمتغیره - ۵۵۹
  • پیش‌بینی چند گام آینده - ۵۶۰
  • پیش‌بینی با مدل دنباله‌به‌دنباله - ۵۶۲
  • مدیریت دنباله‌های بلند - ۵۶۵
  • مقابله با گرادیان‌های ناپایدار - ۵۶۵
  • حل مسئلهٔ حافظهٔ کوتاه‌مدت - ۵۶۸
  • تمرین‌ها - ۵۷۶

۱۶. پردازش زبان طبیعی با RNN و سازوکار توجه - صفحهٔ ۵۷۷

  • تولید متن شکسپیری با RNN نویسه‌ای - ۵۷۸
  • ساخت مجموعهٔ آموزشی - ۵۷۹
  • ساخت و آموزش مدل Char-RNN - ۵۸۱
  • تولید متن شکسپیری ساختگی - ۵۸۲
  • RNN حالت‌مند - ۵۸۴
  • تحلیل احساس - ۵۸۷
  • ماسک‌گذاری - ۵۹۰
  • استفادهٔ مجدد از Embeddingها و مدل‌های زبانی ازپیش‌آموزش‌دیده - ۵۹۳
  • شبکهٔ رمزگذار-رمزگشا برای ترجمهٔ ماشینی عصبی - ۵۹۵
  • RNNهای دوسویه - ۶۰۱
  • جست‌وجوی Beam - ۶۰۳
  • سازوکارهای توجه - ۶۰۴
  • «Attention Is All You Need»: معماری اصلی Transformer - ۶۰۹
  • موج گستردهٔ مدل‌های Transformer - ۶۲۰
  • Transformerهای بینایی - ۶۲۴
  • کتابخانهٔ Transformers از Hugging Face - ۶۲۹
  • تمرین‌ها - ۶۳۳

۱۷. خودرمزگذارها، GANها و مدل‌های انتشار - صفحهٔ ۶۳۵

  • بازنمایی کارآمد داده - ۶۳۷
  • اجرای PCA با خودرمزگذار خطی کم‌کامل - ۶۳۹
  • خودرمزگذارهای پشته‌ای - ۶۴۰
  • پیاده‌سازی خودرمزگذار پشته‌ای با Keras - ۶۴۱
  • تصویری‌سازی بازسازی‌ها - ۶۴۲
  • تصویری‌سازی مجموعه‌دادهٔ Fashion MNIST - ۶۴۳
  • پیش‌آموزش بدون نظارت با خودرمزگذارهای پشته‌ای - ۶۴۴
  • اشتراک وزن‌ها - ۶۴۵
  • آموزش یک خودرمزگذار در هر مرحله - ۶۴۶
  • خودرمزگذارهای کانولوشنی - ۶۴۸
  • خودرمزگذارهای نویززدایی - ۶۴۹
  • خودرمزگذارهای تنک - ۶۵۱
  • خودرمزگذارهای واریاسیونی - ۶۵۴
  • تولید تصاویر Fashion MNIST - ۶۵۸
  • شبکه‌های مولد تخاصمی - ۶۵۹
  • دشواری‌های آموزش GANها - ۶۶۳
  • GANهای کانولوشنی عمیق - ۶۶۵
  • رشد تدریجی GANها - ۶۶۸
  • StyleGANها - ۶۷۱
  • مدل‌های انتشار - ۶۷۳
  • تمرین‌ها - ۶۸۱

۱۸. یادگیری تقویتی - صفحهٔ ۶۸۳

  • یادگیری برای بهینه‌سازی پاداش - ۶۸۴
  • جست‌وجوی سیاست - ۶۸۵
  • مقدمه‌ای بر OpenAI Gym - ۶۸۷
  • سیاست‌های شبکهٔ عصبی - ۶۹۱
  • ارزیابی اقدام‌ها: مسئلهٔ تخصیص اعتبار - ۶۹۳
  • گرادیان سیاست - ۶۹۴
  • فرایندهای تصمیم‌گیری Markov - ۶۹۹
  • یادگیری تفاوت زمانی - ۷۰۳
  • Q-Learning - ۷۰۴
  • سیاست‌های اکتشاف - ۷۰۶
  • Q-Learning تقریبی و عمیق - ۷۰۷
  • پیاده‌سازی Q-Learning عمیق - ۷۰۸
  • گونه‌های Q-Learning عمیق - ۷۱۳
  • هدف‌های ثابت Q-value - ۷۱۳
  • Double DQN - ۷۱۴
  • بازپخش تجربهٔ اولویت‌دار - ۷۱۴
  • Dueling DQN - ۷۱۵
  • مروری بر چند الگوریتم محبوب RL - ۷۱۶
  • تمرین‌ها - ۷۲۰

۱۹. آموزش و استقرار مدل‌های TensorFlow در مقیاس - صفحهٔ ۷۲۱

  • ارائهٔ سرویس یک مدل TensorFlow - ۷۲۲
  • استفاده از TensorFlow Serving - ۷۲۲
  • ساخت سرویس پیش‌بینی در Vertex AI - ۷۳۲
  • اجرای کارهای پیش‌بینی دسته‌ای در Vertex AI - ۷۳۹
  • استقرار مدل روی دستگاه همراه یا نهفته - ۷۴۱
  • اجرای مدل در صفحهٔ وب - ۷۴۴
  • استفاده از GPU برای سرعت‌دادن به محاسبات - ۷۴۶
  • تهیهٔ GPU شخصی - ۷۴۷
  • مدیریت RAM پردازندهٔ گرافیکی - ۷۴۹
  • قرار دادن عملیات و متغیرها روی دستگاه‌ها - ۷۵۲
  • اجرای موازی روی چند دستگاه - ۷۵۳
  • آموزش مدل روی چند دستگاه - ۷۵۶
  • موازی‌سازی مدل - ۷۵۶
  • موازی‌سازی داده - ۷۵۹
  • آموزش در مقیاس با Distribution Strategies API - ۷۶۵
  • آموزش مدل روی خوشهٔ TensorFlow - ۷۶۶
  • اجرای کارهای آموزشی بزرگ در Vertex AI - ۷۷۰
  • تنظیم فراپارامتر در Vertex AI - ۷۷۲
  • تمرین‌ها - ۷۷۶
  • سپاس - ۷۷۷
  • ضمیمهٔ A. فهرست کنترل پروژهٔ یادگیری ماشین - ۷۷۹
  • ضمیمهٔ B. مشتق‌گیری خودکار - ۷۸۵
  • ضمیمهٔ C. ساختارهای دادهٔ ویژه - ۷۹۳
  • ضمیمهٔ D. گراف‌های TensorFlow - ۸۰۱
  • نمایه - ۸۱۱

فهرست پیوندهای مجموعه

  1. ۱ - یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
  2. ۲ - پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
  3. ۳ - سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
  4. ۴ - کاربردها و انواع سامانه‌های یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
  5. ۵ - یادگیری دسته‌ای و برخط؛ یادگیری نمونه‌محور و مدل‌محور
  6. ۶ - چالش‌های اصلی یادگیری ماشین: کیفیت داده، بیش‌برازش و کم‌برازش
  7. ۷ - آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرین‌های فصل ۱
  8. 08 - فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورت‌بندی مسئله و معیارهای ارزیابی
  9. 09 - کار با Google Colab و شناخت ساختار داده‌های مسکن کالیفرنیا
  10. 10 - ساخت مجموعهٔ آزمون و نمونه‌گیری طبقه‌بندی‌شده
  11. 11 - کاوش و مصورسازی داده، همبستگی‌ها و ترکیب ویژگی‌ها
  12. 12 - آماده‌سازی داده: پاک‌سازی، ویژگی‌های دسته‌ای و مقیاس‌بندی
  13. 13 - تبدیل ویژگی‌ها، Transformerهای سفارشی و Pipelineهای پیش‌پردازش
  14. 14 - انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
  15. 15 - ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
  16. بخش ۱۶ - Machine_Learning_405_06_16.html
  17. بخش ۱۷ - Machine_Learning_405_06_17.html
  18. بخش ۱۸ - Machine_Learning_405_06_18.html
  19. بخش ۱۹ - Machine_Learning_405_06_19.html
  20. بخش ۲۰ - Machine_Learning_405_06_20.html
  21. بخش ۲۱ - Machine_Learning_405_06_21.html
  22. بخش ۲۲ - Machine_Learning_405_06_22.html
  23. بخش ۲۳ - Machine_Learning_405_06_23.html
  24. بخش ۲۴ - Machine_Learning_405_06_24.html
  25. بخش ۲۵ - Machine_Learning_405_06_25.html
  26. بخش ۲۶ - Machine_Learning_405_06_26.html
  27. بخش ۲۷ - Machine_Learning_405_06_27.html
  28. بخش ۲۸ - Machine_Learning_405_06_28.html
  29. بخش ۲۹ - Machine_Learning_405_06_29.html
  30. بخش ۳۰ - Machine_Learning_405_06_30.html
  31. بخش ۳۱ - Machine_Learning_405_06_31.html
  32. بخش ۳۲ - Machine_Learning_405_06_32.html
  33. بخش ۳۳ - Machine_Learning_405_06_33.html
  34. بخش ۳۴ - Machine_Learning_405_06_34.html
  35. بخش ۳۵ - Machine_Learning_405_06_35.html
  36. بخش ۳۶ - Machine_Learning_405_06_36.html
  37. بخش ۳۷ - Machine_Learning_405_06_37.html
  38. بخش ۳۸ - Machine_Learning_405_06_38.html
  39. بخش ۳۹ - Machine_Learning_405_06_39.html
  40. بخش ۴۰ - Machine_Learning_405_06_40.html
  41. بخش ۴۱ - Machine_Learning_405_06_41.html
  42. بخش ۴۲ - Machine_Learning_405_06_42.html
  43. بخش ۴۳ - Machine_Learning_405_06_43.html
  44. بخش ۴۴ - Machine_Learning_405_06_44.html
  45. بخش ۴۵ - Machine_Learning_405_06_45.html
  46. بخش ۴۶ - Machine_Learning_405_06_46.html
  47. بخش ۴۷ - Machine_Learning_405_06_47.html
  48. بخش ۴۸ - Machine_Learning_405_06_48.html
  49. بخش ۴۹ - Machine_Learning_405_06_49.html
  50. بخش ۵۰ - Machine_Learning_405_06_50.html
  51. بخش ۵۱ - Machine_Learning_405_06_51.html
  52. بخش ۵۲ - Machine_Learning_405_06_52.html
  53. بخش ۵۳ - Machine_Learning_405_06_53.html
  54. بخش ۵۴ - Machine_Learning_405_06_54.html
  55. بخش ۵۵ - Machine_Learning_405_06_55.html
  56. بخش ۵۶ - Machine_Learning_405_06_56.html
  57. بخش ۵۷ - Machine_Learning_405_06_57.html
  58. بخش ۵۸ - Machine_Learning_405_06_58.html
  59. بخش ۵۹ - Machine_Learning_405_06_59.html
  60. بخش ۶۰ - Machine_Learning_405_06_60.html
  61. بخش ۶۱ - Machine_Learning_405_06_61.html
  62. بخش ۶۲ - Machine_Learning_405_06_62.html
  63. بخش ۶۳ - Machine_Learning_405_06_63.html
  64. بخش ۶۴ - Machine_Learning_405_06_64.html
  65. بخش ۶۵ - Machine_Learning_405_06_65.html
  66. بخش ۶۶ - Machine_Learning_405_06_66.html
  67. بخش ۶۷ - Machine_Learning_405_06_67.html
  68. بخش ۶۸ - Machine_Learning_405_06_68.html
  69. بخش ۶۹ - Machine_Learning_405_06_69.html
  70. بخش ۷۰ - Machine_Learning_405_06_70.html
  71. 71 - فصل ۱۸: یادگیری تقویتی | یادگیری برای بیشینه‌کردن پاداش
  72. 72 - Q-Value، یادگیری اختلاف زمانی و Q-Learning | Temporal Difference Learning
  73. 73 - فصل ۱۹: آموزش و استقرار مدل‌های TensorFlow در مقیاس بزرگ | ارائهٔ مدل TensorFlow به‌صورت سرویس
  74. 74 - فرمت‌های Batch Prediction و استقرار مدل روی Edge | استقرار مدل روی موبایل و دستگاه‌های نهفته
  75. 75 - Data Parallelism با پارامترهای متمرکز | به‌روزرسانی همگام و ناهمگام
  76. بخش ۷۶ - Machine_Learning_405_06_76.html
  77. بخش ۷۷ - Machine_Learning_405_06_77.html
  78. بخش ۷۸ - Machine_Learning_405_06_78.html
  79. بخش ۷۹ - Machine_Learning_405_06_79.html
  80. بخش ۸۰ - Machine_Learning_405_06_80.html

امتیاز کاربران به این مقاله

☆☆☆☆☆

0 نفر امتیاز داده اند. میانگین: 0.0 از 5

 

0 نظر

نظر محترم شما در مورد مقاله های وب سایت برنامه نویسی و پایگاه داده

نظرات محترم شما در خدمات رسانی بهتر ما را یاری می نمایند. لطفا اگر مایل بودید یک نظر ما را مهمان فرمائید. آدرس ایمیل و وب سایت شما نمایش داده نخواهد شد.

0 / 500

اطلاعات تماس

  • آدرس:اصفهان-خیابان ام کلثوم غربی - بعد خیابان تخم چی - بیست متر بعد از پیتزا ننه شب - کوچه تعمیر گاه سمار زغالی - پلاک 354 - درب مشکی - طبقه هفتم
  • آدرس ایمیل:najafzade@gmail.com
  • وب سایت:http://www.a00b.com/
  • تلفن ثابت:(+98)9131253620
  • تلفن همراه:09131253620