خوانش گروهی کتاب فنولوژی
کتاب یادگیری ماشین
جلسات آنلاین خوانش کتاب Hands on Machine Learning برگزار شده توسط فنولوژی
Menu
کتاب یادگیری ماشین Hands on ML
کتاب یادگیری ماشین یا Hands on Machine Learning، نوشته‌ی Aurélien Géron، قصد دارد یادگیری ماشین را به کمک فریمورک‌های قدرتمند پایتون در هوش مصنوعی، به مخاطبان مبتدی آموزش دهد.
اگر به یادگیری ماشین علاقه دارید و قصد دارید آن را بیاموزید، و یا این که با آن آشنایی دارید و می‌خواهید مفاهیم آن را به شکل عمیق‌تری یاد بگیرید، این کتاب مسیر بسیار مناسبی برای شماست.
در این کتاب چه چیزی یاد خواهید گرفت؟
کتاب یادگیری ماشین Hands on Machine Learning، فرض را بر این قرار می‌دهد که شما هیچ چیز از یادگیری ماشین نمی‌دانید و مفاهیم و ابزارهای آن را به طور کامل برای شما شرح می‌دهد.
در این کتاب، بسیاری از تکنیک‌های یادگیری ماشین، از ساده‌ترین آن‌ها یعنی رگرسیون خطی (Linear Regression) تا تکنیک‌های پیچیده‌تر یادگیری عمیق را خواهید آموخت.
همان‌طور که گفته شد، در این کتاب، بجای نوشتن همه‌ی الگوریتم‌های یادگیری ماشین از صفر، از فریم ورک‌های موجود در پایتون استفاده می‌کنیم. فریم‌ورک‌ها و کتابخانه‌هایی که در این کتاب استفاده خواهند شد، Scikit-Learn، TensorFlow و Keras هستند.
پیش‌نیاز کتاب یادگیری ماشین چیست؟
این کتاب فرض می‌کند که شما تا حدودی تجربه‌ی برنامه نویسی پایتون و کار با کتابخانه‌های نامپای، Pandas و Matplotlib را دارید. برای یادگیری پایتون و کتابخانه‌ی نامپای می‌توانید دوره‌های آموزش پایتون مقدماتی و آموزش کتابخانه نامپای را از فنولوژی مطالعه کنید.
همچنین اگر به ریاضیات یادگیری ماشین اهمیت می‌دهید و قصد دارید یادگیری ماشین را به صورت عمیق‌تر مطالعه کنید، داشتن درکی از دروس دانشگاهی ریاضیات، جبر خطی و آمار و احتمالات به شما کمک خواهد کرد.
دانلود کتاب یادگیری ماشین | Hands on Machine Learning
برای دانلود کتاب یادگیری ماشین Hands on Machine Learning، فرم زیر را پر کنید:
از یادگیری تا استخدام با دوره‌های متخصص سون‌لرن
جلسه صفرم | آشنایی با کتابخانه‌های مهم پایتون در ماشین لرنینگ
قبل از شروع کتاب، لازم است با کتابخانه های یادگیری ماشین در پایتون آشنایی داشته باشید. در جلسه‌ی صفرم خوانش کتاب یادگیری ماشین، کتابخانه‌های numpy و pandas و matplotlib پایتون را آموزش داده‌ایم.
جلسه اول | مقدمات یادگیری ماشین
یادگیری ماشین چیست؟ چرا از یادگیری ماشین استفاده می‌کنیم؟ در جلسه‌ی اول خوانش کتاب یادگیری ماشین Hands on ML، با مقدمات و مفاهیم اولیه‌ی یادگیری ماشین آشنا می‌شویم.
جلسه دوم | انواع یادگیری ماشین و چالش‌های آن
در این جلسه، با انواع یادگیری ماشین آشنا می‌شویم و سپس چالش‌هایی که در یادگیری ماشین به آن‌ها برخواهیم خورد را بررسی می‌کنیم.
جلسه سوم | مرور فصل اول کتاب
در جلسه‌ی سوم خوانش کتاب، آن‌چه را که تا کنون در مورد یادگیری ماشین آموخته‌ایم مرور می‌کنیم.
جلسه چهارم | شروع فصل دوم
در این جلسه از خوانش کتاب یادگیری ماشین Hands on ML، فصل دوم کتاب را شروع می‌کنیم و با مراحل ارزیابی یک پروژه‌ی یادگیری ماشین آشنا می‌شویم.
جلسه پنجم | کار با داده‌ها
در جلسه‌ی پنجم، بخش Get The Data از فصل دوم کتاب را بررسی می‌کنیم. در این جلسه، با محیط Jupyter Notebook آشنا می‌شویم و نحوه‌ی کار با داده‌ها را می‌آموزیم.
جلسه ششم | آماده‌سازی داده‌ها برای یادگیری ماشین
در جلسه‌ی ششم خوانش کتاب یادگیری ماشین Hands-On ML، ما یاد می‌گیریم که داده‌ها را مصور کنیم و بینشی از آن‌ها به دست بیاریم. چندین مدل وابستگی را خواهیم دید و ترکیب مختلف Attributeها را بررسی خواهیم کرد. همچنین داده‌ها را تمیز می‌کنیم و آن‌ها را برای الگوریتم‌های یادگیری ماشین آماده می‌کنیم.
جلسه هفتم | آماده‌سازی نهایی داده‌ها
در این جلسه از خوانش کتاب یادگیری ماشین Hands-On ML، ابتدا نگاهی به معماری Scikit-Learn می‌اندازیم. بعد از آن one hot encoder را بررسی می‌کنیم و یک Transformer سفارشی ایجاد می‌کنیم. همچنین نگاهی به Feature Scaling می‌اندازیم و در انتها Transformation Pipeline را توضیح می‌دیم.
جلسه هشتم | پایان فصل دوم کتاب
در ادامه‌ی آماده‌سازی داده‌ها، مدل‌هایی را انتخاب می‌کنیم، بر روی داده‌ها اعمال می‌کنیم و نتایج به دست آمده را بررسی می‌کنیم. با cross-validation کار می‌کنیم، بعد از آن هایپرپارامترهای بهینه برای مدل انتخابی را بررسی می‌کنیم. به Grid Search و دوستانش نگاهی می‌کنم، سپس مدل را بر روی test-set ارزیابی می‌کنیم. در آخر در مورد launch و monitor کردن مدل به طور مفصل بحث خواهیم کرد.
جلسه نهم | مرور فصل دوم کتاب
در این جلسه به مرور و حل تمارین فصل دوم کتاب Hands on Machine Learning می‌پردازیم.
جلسه دهم | شروع فصل سوم کتاب
در این جلسه فصل سوم کتاب را شروع می‌کنیم! در مورد دیتاست MNIST حرف می‌زنیم، آن را train می‌کنیم و روش‌هایی را جهت اعتبارسنجی آن امتحان می‌کنم.
از یادگیری تا استخدام با دوره‌های متخصص سون‌لرن
جلسه یازدهم | منحنی ROC، طبقه‌بندی چندکلاسه و آنالیز ارورها
در ادامه‌ی مباحث جلسه‌ی قبل، به سراغ منحی ROC می‌رویم و به طور مفصل در مورد آن بحث می‌کنیم. سپس طبقه‌بندی چندکلاسه را بررسی می‌کنیم و در آخر آنالیز کردن ارورها در طبقه‌بندی را مورد بررسی قرار می‌دهیم.
