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
فهرست پیوندهای مجموعه از ۰۱ تا ۸۰
- ۱ - یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
- ۲ - پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
- ۳ - سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
- ۴ - کاربردها و انواع سامانههای یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
- ۵ - یادگیری دستهای و برخط؛ یادگیری نمونهمحور و مدلمحور
- ۶ - چالشهای اصلی یادگیری ماشین: کیفیت داده، بیشبرازش و کمبرازش
- ۷ - آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرینهای فصل ۱
- 08 - فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورتبندی مسئله و معیارهای ارزیابی
- 09 - کار با Google Colab و شناخت ساختار دادههای مسکن کالیفرنیا
- 10 - ساخت مجموعهٔ آزمون و نمونهگیری طبقهبندیشده
- 11 - کاوش و مصورسازی داده، همبستگیها و ترکیب ویژگیها
- 12 - آمادهسازی داده: پاکسازی، ویژگیهای دستهای و مقیاسبندی
- 13 - تبدیل ویژگیها، Transformerهای سفارشی و Pipelineهای پیشپردازش
- 14 - انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
- 15 - ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
- بخش ۱۶ - Machine_Learning_405_06_16.html
- بخش ۱۷ - Machine_Learning_405_06_17.html
- بخش ۱۸ - Machine_Learning_405_06_18.html
- بخش ۱۹ - Machine_Learning_405_06_19.html
- بخش ۲۰ - Machine_Learning_405_06_20.html
- بخش ۲۱ - Machine_Learning_405_06_21.html
- بخش ۲۲ - Machine_Learning_405_06_22.html
- بخش ۲۳ - Machine_Learning_405_06_23.html
- بخش ۲۴ - Machine_Learning_405_06_24.html
- بخش ۲۵ - Machine_Learning_405_06_25.html
- بخش ۲۶ - Machine_Learning_405_06_26.html
- بخش ۲۷ - Machine_Learning_405_06_27.html
- بخش ۲۸ - Machine_Learning_405_06_28.html
- بخش ۲۹ - Machine_Learning_405_06_29.html
- بخش ۳۰ - Machine_Learning_405_06_30.html
- بخش ۳۱ - Machine_Learning_405_06_31.html
- بخش ۳۲ - Machine_Learning_405_06_32.html
- بخش ۳۳ - Machine_Learning_405_06_33.html
- بخش ۳۴ - Machine_Learning_405_06_34.html
- بخش ۳۵ - Machine_Learning_405_06_35.html
- بخش ۳۶ - Machine_Learning_405_06_36.html
- بخش ۳۷ - Machine_Learning_405_06_37.html
- بخش ۳۸ - Machine_Learning_405_06_38.html
- بخش ۳۹ - Machine_Learning_405_06_39.html
- بخش ۴۰ - Machine_Learning_405_06_40.html
- بخش ۴۱ - Machine_Learning_405_06_41.html
- بخش ۴۲ - Machine_Learning_405_06_42.html
- بخش ۴۳ - Machine_Learning_405_06_43.html
- بخش ۴۴ - Machine_Learning_405_06_44.html
- بخش ۴۵ - Machine_Learning_405_06_45.html
- بخش ۴۶ - Machine_Learning_405_06_46.html
- بخش ۴۷ - Machine_Learning_405_06_47.html
- بخش ۴۸ - Machine_Learning_405_06_48.html
- بخش ۴۹ - Machine_Learning_405_06_49.html
- بخش ۵۰ - Machine_Learning_405_06_50.html
- بخش ۵۱ - Machine_Learning_405_06_51.html
- بخش ۵۲ - Machine_Learning_405_06_52.html
- بخش ۵۳ - Machine_Learning_405_06_53.html
- بخش ۵۴ - Machine_Learning_405_06_54.html
- بخش ۵۵ - Machine_Learning_405_06_55.html
- بخش ۵۶ - Machine_Learning_405_06_56.html
- بخش ۵۷ - Machine_Learning_405_06_57.html
- بخش ۵۸ - Machine_Learning_405_06_58.html
- بخش ۵۹ - Machine_Learning_405_06_59.html
- بخش ۶۰ - Machine_Learning_405_06_60.html
- بخش ۶۱ - Machine_Learning_405_06_61.html
- بخش ۶۲ - Machine_Learning_405_06_62.html
- بخش ۶۳ - Machine_Learning_405_06_63.html
- بخش ۶۴ - Machine_Learning_405_06_64.html
- بخش ۶۵ - Machine_Learning_405_06_65.html
- بخش ۶۶ - Machine_Learning_405_06_66.html
- بخش ۶۷ - Machine_Learning_405_06_67.html
- بخش ۶۸ - Machine_Learning_405_06_68.html
- بخش ۶۹ - Machine_Learning_405_06_69.html
- بخش ۷۰ - Machine_Learning_405_06_70.html
- 71 - فصل ۱۸: یادگیری تقویتی | یادگیری برای بیشینهکردن پاداش
- 72 - Q-Value، یادگیری اختلاف زمانی و Q-Learning | Temporal Difference Learning
- 73 - فصل ۱۹: آموزش و استقرار مدلهای TensorFlow در مقیاس بزرگ | ارائهٔ مدل TensorFlow بهصورت سرویس
- 74 - فرمتهای Batch Prediction و استقرار مدل روی Edge | استقرار مدل روی موبایل و دستگاههای نهفته
- 75 - Data Parallelism با پارامترهای متمرکز | بهروزرسانی همگام و ناهمگام
- بخش ۷۶ - Machine_Learning_405_06_76.html
- بخش ۷۷ - Machine_Learning_405_06_77.html
- بخش ۷۸ - Machine_Learning_405_06_78.html
- بخش ۷۹ - Machine_Learning_405_06_79.html
- 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
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.»
«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.»
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 پیوندهای مجموعه
- ۱ - یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
- ۲ - پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
- ۳ - سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
- ۴ - کاربردها و انواع سامانههای یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
- ۵ - یادگیری دستهای و برخط؛ یادگیری نمونهمحور و مدلمحور
- ۶ - چالشهای اصلی یادگیری ماشین: کیفیت داده، بیشبرازش و کمبرازش
- ۷ - آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرینهای فصل ۱
- 08 - فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورتبندی مسئله و معیارهای ارزیابی
- 09 - کار با Google Colab و شناخت ساختار دادههای مسکن کالیفرنیا
- 10 - ساخت مجموعهٔ آزمون و نمونهگیری طبقهبندیشده
- 11 - کاوش و مصورسازی داده، همبستگیها و ترکیب ویژگیها
- 12 - آمادهسازی داده: پاکسازی، ویژگیهای دستهای و مقیاسبندی
- 13 - تبدیل ویژگیها، Transformerهای سفارشی و Pipelineهای پیشپردازش
- 14 - انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
- 15 - ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
- بخش ۱۶ - Machine_Learning_405_06_16.html
- بخش ۱۷ - Machine_Learning_405_06_17.html
- بخش ۱۸ - Machine_Learning_405_06_18.html
- بخش ۱۹ - Machine_Learning_405_06_19.html
- بخش ۲۰ - Machine_Learning_405_06_20.html
- بخش ۲۱ - Machine_Learning_405_06_21.html
- بخش ۲۲ - Machine_Learning_405_06_22.html
- بخش ۲۳ - Machine_Learning_405_06_23.html
- بخش ۲۴ - Machine_Learning_405_06_24.html
- بخش ۲۵ - Machine_Learning_405_06_25.html
- بخش ۲۶ - Machine_Learning_405_06_26.html
- بخش ۲۷ - Machine_Learning_405_06_27.html
- بخش ۲۸ - Machine_Learning_405_06_28.html
- بخش ۲۹ - Machine_Learning_405_06_29.html
- بخش ۳۰ - Machine_Learning_405_06_30.html
- بخش ۳۱ - Machine_Learning_405_06_31.html
- بخش ۳۲ - Machine_Learning_405_06_32.html
- بخش ۳۳ - Machine_Learning_405_06_33.html
- بخش ۳۴ - Machine_Learning_405_06_34.html
- بخش ۳۵ - Machine_Learning_405_06_35.html
- بخش ۳۶ - Machine_Learning_405_06_36.html
- بخش ۳۷ - Machine_Learning_405_06_37.html
- بخش ۳۸ - Machine_Learning_405_06_38.html
- بخش ۳۹ - Machine_Learning_405_06_39.html
- بخش ۴۰ - Machine_Learning_405_06_40.html
- بخش ۴۱ - Machine_Learning_405_06_41.html
- بخش ۴۲ - Machine_Learning_405_06_42.html
- بخش ۴۳ - Machine_Learning_405_06_43.html
- بخش ۴۴ - Machine_Learning_405_06_44.html
- بخش ۴۵ - Machine_Learning_405_06_45.html
- بخش ۴۶ - Machine_Learning_405_06_46.html
- بخش ۴۷ - Machine_Learning_405_06_47.html
- بخش ۴۸ - Machine_Learning_405_06_48.html
- بخش ۴۹ - Machine_Learning_405_06_49.html
- بخش ۵۰ - Machine_Learning_405_06_50.html
- بخش ۵۱ - Machine_Learning_405_06_51.html
- بخش ۵۲ - Machine_Learning_405_06_52.html
- بخش ۵۳ - Machine_Learning_405_06_53.html
- بخش ۵۴ - Machine_Learning_405_06_54.html
- بخش ۵۵ - Machine_Learning_405_06_55.html
- بخش ۵۶ - Machine_Learning_405_06_56.html
- بخش ۵۷ - Machine_Learning_405_06_57.html
- بخش ۵۸ - Machine_Learning_405_06_58.html
- بخش ۵۹ - Machine_Learning_405_06_59.html
- بخش ۶۰ - Machine_Learning_405_06_60.html
- بخش ۶۱ - Machine_Learning_405_06_61.html
- بخش ۶۲ - Machine_Learning_405_06_62.html
- بخش ۶۳ - Machine_Learning_405_06_63.html
- بخش ۶۴ - Machine_Learning_405_06_64.html
- بخش ۶۵ - Machine_Learning_405_06_65.html
- بخش ۶۶ - Machine_Learning_405_06_66.html
- بخش ۶۷ - Machine_Learning_405_06_67.html
- بخش ۶۸ - Machine_Learning_405_06_68.html
- بخش ۶۹ - Machine_Learning_405_06_69.html
- بخش ۷۰ - Machine_Learning_405_06_70.html
- 71 - فصل ۱۸: یادگیری تقویتی | یادگیری برای بیشینهکردن پاداش
- 72 - Q-Value، یادگیری اختلاف زمانی و Q-Learning | Temporal Difference Learning
- 73 - فصل ۱۹: آموزش و استقرار مدلهای TensorFlow در مقیاس بزرگ | ارائهٔ مدل TensorFlow بهصورت سرویس
- 74 - فرمتهای Batch Prediction و استقرار مدل روی Edge | استقرار مدل روی موبایل و دستگاههای نهفته
- 75 - Data Parallelism با پارامترهای متمرکز | بهروزرسانی همگام و ناهمگام
- بخش ۷۶ - Machine_Learning_405_06_76.html
- بخش ۷۷ - Machine_Learning_405_06_77.html
- بخش ۷۸ - Machine_Learning_405_06_78.html
- بخش ۷۹ - Machine_Learning_405_06_79.html
- بخش ۸۰ - Machine_Learning_405_06_80.html