راهکارهای عملی با پایتون: از پیش‌پردازش داده‌ها تا یادگیری عمیق

راهنمای عملی برای حل مسائل یادگیری ماشین

این کتاب به عنوان یک جعبه‌ابزار برای دانشمندان داده طراحی شده است تا بتوانند کدهای آن را مستقیماً در برنامه‌های واقعی خود استفاده کنند. هدف اصلی نویسنده ارائه کدهایی است که به طور قطع کار می‌کنند و با توضیحات تکمیلی، منطق و پارامترهای هر تکنیک را روشن می‌سازند. شما با استفاده از این کتاب می‌توانید با کتابخانه‌های محبوبی نظیر pandas، scikit-learn و Keras به صورت عملی کار کنید.

سرفصل‌ها و مباحث کلیدی کتاب

محتوای این کتاب گستره‌ی وسیعی از فرآیندهای یادگیری ماشین را پوشش می‌دهد که شامل موارد زیر است:

پیش‌پردازش داده‌ها (Data Preprocessing): تکنیک‌های مدیریت و پاک‌سازی داده‌های عددی، دسته‌ای (Categorical)، متنی، تصاویر و سری‌های زمانی با استفاده از کتابخانه‌هایی مانند NumPy و pandas.
کاهش ابعاد (Dimensionality Reduction): استفاده از روش‌های استخراج و انتخاب ویژگی‌ها (مانند PCA) برای کاهش حجم داده‌ها و بهبود عملکرد مدل.
آموزش و انتخاب مدل (Model Training & Selection): راهکارهای کدنویسی برای پیاده‌سازی انواع الگوریتم‌ها از جمله رگرسیون خطی، ماشین‌های بردار پشتیبان (SVM)، جنگل‌های تصادفی، K-Nearest Neighbors (KNN) و نایو بیز.
ارزیابی مدل (Model Evaluation): استراتژی‌هایی برای اعتبارسنجی متقاطع (Cross-validation) و بررسی عملکرد مدل با استفاده از معیارهایی نظیر دقت (Accuracy) و منحنی‌های ROC.
شبکه‌های عصبی (Neural Networks): طراحی، آموزش و تنظیم شبکه‌های عصبی و استفاده از مدل‌های یادگیری عمیق (Deep Learning) از طریق کتابخانه Keras