کتاب درسنامه یادگیری ماشین

کتاب درسنامه یادگیری ماشین نوشته‌ی آندری بورکوف راهنمایی کوتاه اما پربار است که شما را با یکی از پرکاربردترین حوزه‌های هوش مصنوعی آشنا می‌کند. نویسنده گستره‌ی وسیعی از مبانی و مفاهیم نظری گرفته تا الگوریتم‌ها، ریاضیات و کاربردهای عملی را پوشش می‌دهد تا شما را به شکل فشرده، کاربردی و بدون حاشیه وارد دنیای جذاب ماشین لرنینگ نماید.

درباره‌ی کتاب درسنامه یادگیری ماشین

بدون تردید ماشین لرنینگ یا یادگیری ماشین، نقشی روزافزون در فناوری و زندگی روزمره‌ی ما دارد و در زمینه‌های مختلف، از موتورهای جستجو گرفته تا تحلیل داده‌های پیچیده، ردپایش به چشم می‌خورد. از این رو، منابعی مانند کتاب درسنامه یادگیری ماشین (The Hundred-Page Machine Learning Book) اثر آندری بورکوف (Andriy Burkov) می‌تواند بستری را برای آشنایی با مفاهیم و روش‌های این فناوری فراهم آورد. در این راستا، نویسنده پیش از هر چیز به این پرسش پاسخ می‌دهد که یادگیری ماشین چیست و انواع آن را بر می‌شمرد.

در ادامه‌ی کتاب، بحث نشانه‌گذاری و تعریف و کاربرد ساختمان داده‌ها، توابع، متغیرهای تصادفی، قاعده‌ی بیز و... به میان می‌آید و تفاوت یادگیری کم‌عمق و یادگیری عمیق مطرح می‌شود. موضوعاتی نظیر الگوریتم پایه، رگرسیون خطی و لجستیک و همچنین درخت تصمیم‌گیری، شبکه‌های عصبی، از دیگر مباحث آموزشی و مهم کتاب درسنامه یادگیری ماشین محسوب می‌شوند.

یادگیری ماشین برای مبتدیان؛ از مفاهیم تا الگوریتم‌ها

آندری بورکوف به خوبی میان ریاضیات، شرح مفاهیم و کاربرد عملی تعادل برقرار کرده است تا شما بدون دانش پیشرفته‌ی ریاضی، آمار و یا حتی تجربه‌ی برنامه‌نویسی بتوانید دانش خود را در این زمینه وسعت بدهید. کتاب درسنامه یادگیری ماشین انتشارات آتی‌نگر که با تلاش مهدی اسماعیلی و فائزه اکبری ترجمه شده بیش از آنکه جزوه‌ای از مفاهیم تئوری باشد، درسنامه‌ای کاربردی برای شناخت الگوریتم‌ها و روش‌های مختلف این حوزه است.

پس اگر در پی یک کتاب ماشین لرنینگ می‌گردید که در زمان کوتاه تصویری جامع از این مبحث کاربردی ارائه دهد، خرید کتاب درسنامه یادگیری ماشین می‌تواند نقطه‌ی شروع مناسبی برای ورود جدی به دنیای هوش مصنوعی باشد.

نکوداشت‌های کتاب درسنامه یادگیری ماشین اثر آندری بورکوف

• گستره‌ی موضوعاتی که این کتاب در حجم کم پوشش می‌دهد، شگفت‌انگیز است. آندری بورکوف از پرداختن به معادلات ریاضی ابایی ندارد، در حالی که کتاب‌های کوتاه معمولاً آن را حذف می‌کنند. بسیار پسندیدم که نویسنده مفاهیم اصلی را تنها در چند کلمه توضیح می‌دهد. این کتاب می‌تواند برای افرادی مبتدی در این حوزه بسیار مفید باشد و در عین حال، متخصصان باتجربه نیز می‌توانند از دیدگاه گسترده‌ای که کتاب در این حوزه ارائه می‌دهد، بهره ببرند. (اورلین ژرون، مهندس ارشد هوش مصنوعی)
• شروعی عالی برای یادگیری ماشین لرنینگ با یک متخصص برجسته در سطح جهانی. (کارولیس اوربوناس، رئیس علم داده در آمازون)

کتاب درسنامه یادگیری ماشین برای شما مناسب است اگر

• دانشجوی رشته‌های کامپیوتر، هوش مصنوعی، علوم داده و مهندسی کامپیوتر هستید و قصد دارید بهترین کتاب‌های یادگیری ماشین را مطالعه کنید.
• می‌خواهید با کمک کتابی کم‌حجم دریابید که یادگیری ماشین چیست و چگونه می‌توان وارد این حوزه شد.
• به حوزه‌ی هوش مصنوعی علاقه دارید و در تلاشید تا با مفاهیمی مانند درخت تصمیم‌گیری، شبکه‌های عصبی و یادگیری عمیق آشنا شوید.

در بخشی از کتاب درسنامه یادگیری ماشین می‌خوانیم

یک شبکه عصبی کانولوشن (CNN) نوع خاصی از FFNN است که بدون از دست دادن مقدار متنابهی از کیفیت مدل، به‌صورت قابل ملاحظه‌ای تعداد پارامترهای یک شبکه عصبی عمیق را کاهش می‌دهد. شبکه‌های عصبی کانولوشن در کار با تصاویر و پردازش متن موفق بوده‌اند و بسیاری از الگوریتم‌های ارائه شده در این حوزه را نیز شکست داده‌اند. به‌دلیل آنکه شبکه‌های عصبی کانولوشن با موضوع پردازش تصاویر در ذهن نقش بسته است، بنابراین در اینجا نیز برای تشریح این شبکه‌ها، به سراغ مثالی از رده‌بندی تصاویر می‌رویم.

ممکن است متوجه این نکته شده باشید که در تصاویر، معمولاً پیکسل‌های مجاور و همسایه به‌گونه یکسانی از اطلاعات اشاره می‌کنند. برای مثال مجموعه‌ای از این پیکسل‌ها می‌توانند به آسمان، آب، برگ، آجر و... اشاره داشته باشند. این قاعده برای لبه‌های این اشیا استثنا است؛ لبه‌ها بخش‌هایی از یک تصویر هستند که دو شئی متفاوت در آن بخش به یکدیگر متصل می‌شوند.

چنانچه بتوانیم یک شبکه عصبی را به‌گونه‌ای آموزش دهیم که بتواند مناطق مربوط به اطلاعات یکسان و همچنین لبه‌ها را شناسایی کند، آنگاه می‌توانیم با کمک این دانش، شی ء نمایش داده شده در تصویر را پیش‌بینی کنیم. برای مثال اگر شبکه عصبی، چندین منطقه با رنگ پوست انسان را تشخیص دهد و لبه‌های این مناطق به مجموعه‌ای از پیکسل‌های آبی رنگ متصل شده باشد، آنگاه احتمال قرار گرفتن یک صورت روی پس زمینه آسمان پیش‌بینی می‌شود.