معرفی کاملدرباره این محصول
یادگیری ماشین تنها به شناخت الگوریتم‌ها محدود نمی‌شود. چالش اصلی زمانی آغاز می‌شود که با یک مجموعه‌داده واقعی روبه‌رو می‌شویم و باید تصمیم بگیریم داده‌ها چگونه آماده شوند، چه الگوریتمی انتخاب شود، مدل چگونه آموزش ببیند و با چه معیارهایی عملکرد آن ارزیابی و بهینه‌سازی شود.
کتاب «طراحی و پیاده‌سازی یادگیری ماشین نظارت‌شده با Scikit-Learn» با رویکردی کاربردی و پروژه‌محور تدوین شده است تا خواننده را از مفاهیم پایه تا پیاده‌سازی یک فرایند کامل یادگیری ماشین همراهی کند.
در این کتاب، علاوه بر آشنایی با الگوریتم‌های مهم طبقه‌بندی و رگرسیون، موضوعاتی مانند پیش‌پردازش داده‌ها، مهندسی ویژگی، طراحی Pipeline، انتخاب معیارهای ارزیابی، مقایسه مدل‌ها، تنظیم هایپرپارامترها با GridSearchCV و ذخیره و استفاده از مدل‌های آموزش‌دیده بررسی می‌شوند.
تمرکز کتاب بر ایجاد ارتباط میان مفاهیم نظری، کدنویسی با Python و Scikit-Learn و حل مسائل واقعی است
مخاطباناین محصول برای چه کسانی مناسب است؟
دانشجویان رشته‌های مهندسی، کامپیوتر و علوم داده، علاقه‌مندان به هوش مصنوعی و یادگیری ماشین، برنامه‌نویسان Python، تحلیلگران داده، مدرسان و کارآموزان حوزه هوش مصنوعی و افرادی که قصد دارند از آموزش الگوریتم‌ها به سمت اجرای پروژه‌های واقعی یادگیری ماشین حرکت کنند.
دستاورد مطالعهچه چیزهایی یاد می‌گیرید؟
- پس از مطالعه کتاب، خواننده با فرایند کامل اجرای پروژه‌های یادگیری ماشین نظارت‌شده آشنا می‌شود و می‌تواند داده‌ها را آماده و پیش‌پردازش کند، مدل‌های طبقه‌بندی و رگرسیون را با Scikit-Learn پیاده‌سازی کند، Pipeline بسازد، عملکرد مدل‌ها را با معیارهای مناسب ارزیابی و مقایسه کند، هایپرپارامترها را تنظیم کند و یک پروژه یادگیری ماشین را از داده خام تا مدل نهایی اجرا کند.
ساختار محتواسرفصلها
سرفصل‌های این منبع از مباحث پایه تا کاربردهای عملی یادگیری ماشین، هوش مصنوعی، علم داده، Scikit-Learn، Python تنظیم شده‌اند.
پدیدآورندهدرباره مؤلف
االهام حیدریمؤلف این اثر در حوزهٔ یادگیری ماشین، هوش مصنوعی، علم داده، Scikit-Learn، Python فعالیت می‌کند.
کتاب چاپی