امروزه در دنیای دیجیتال شاهد تولید حجم زیادی داده هستیم. آنالیز درست داده‌ها برای کشف الگوهای داده‌ای در همه صنایع موضوعی است که کمک شایانی به کاهش هزینه‌ها‌، افزایش سرعت کارها‌، کاهش خطاها و بهینه‌سازی فرآیندها خواهد کرد. به عنوان زیر مجموعه‌ای از هوش مصنوعی، الگوریتم‌های یادگیری ماشین یک مدل ریاضی را بر اساس داده‌‌ها به منظور پیش‌بینی یا تصمیم‌گیری ایجاد می‌کنند. از کاربردهای یادگیری ماشین می‌توان به شناسایی تصویر، تحلیل احساسات، تشخیص گفتار،کشف کلاهبرداری، طبقه‌بندی، پیش‌بینی، خدمات رسانه‌های اجتماعی، بهبود خدمات پزشکی، بازاریابی، بازیابی اطلاعات مفید و کنترل ربات اشاره کرد.

مقدمه 1
درباره این کتاب 1
فرض‌های نادرست 3
فراتر از کتاب 4
نقشه راه 5
بخش یکم، ماشین چگونه یاد می‌گیرد؟ 7
فصل 1، داستان واقعی هوش مصنوعی 9
واکاوی عمیق‌تر 10
رؤیای یک گوسفند برقی 11
تاریخچه هوش مصنوعی و یادگیری ماشین 12
یادگیری ماشین چه کاری می‌تواند برای هوش مصنوعی انجام دهد؟ 14
بررسی اهداف یادگیری ماشین 15
تعریف محدودیت‌های یادگیری ماشین بر اساس سخت‌افزار 16
غلبه بر خیال‌پردازی در مورد هوش مصنوعی 17
کشف استفاده‌های زودگذر هوش مصنوعی و یادگیری ماشین 17
کاربردهای واقعی هوش مصنوعی و یادگیری ماشین 18
معمولی اما مفید 20
بررسی ارتباط بین هوش مصنوعی و یادگیری ماشین 21
بررسی مشخصات هوش مصنوعی و یادگیری ماشین 22
تقسیم‌بندی هنر و مهندسی 23
فصل 2، یادگیری در عصر کلان داده‌ها 25
تعریف کلان داده‌ها 26
در نظر گرفتن منابع کلان داده‌ها 27
ساخت یک منبع داده جدید 28
به دست آوردن داده‌ها از منابع عمومی 28
به دست آوردن داده‌ها از منابع خصوصی 29
ایجاد داده‌های جدید از داده‌های موجود 29
استفاده از منابع داده موجود 30
یافتن منابع داده آزمایشی 31
نقش آمار در یادگیری ماشین 32
نقش الگوریتم‌ها 33
الگوریتم چه کاری انجام می‌دهد؟ 33
بررسی پنج تکنیک اصلی 33
استدلال نمادین 34
پیوندها مبتنی بر رشته‌های عصبی مغز مدل‌سازی شدند 34
الگوریتمهای تکاملی که تغییرات را آزمایش میکنند 35
استنباط بیزی 35
سیستم‌هایی که با روش مقایسه‌ای یاد می‌گیرند 36
معنای آموزش چیست؟ 36
فصل 3، نگاهی به آینده 39
ایجاد فناوری‌های مفید برای آینده 40
نقش یادگیری ماشین در ربات‌ها 41
استفاده از یادگیری ماشین در مراقبت‌های سلامت 42
ایجاد سیستم‌های هوشمند برای رفع نیازهای مختلف 42
استفاده از یادگیری ماشین در تنظیمات صنعتی 43
نقش پردازنده‌های به‌روز شده و سایر سخت‌افزارها 44
کشف فرصت‌های شغلی جدید با یادگیری ماشین 44
کار کردن برای یک ماشین 45
کار با ماشین‌ها 46
تعمیر ماشین‌ها 47
ایجاد وظایف جدید یادگیری ماشین 47
طراحی کردن محیط‌های جدید یادگیری ماشین 48
پرهیز از دام‌های بالقوه فناوری‌های آینده 48
آغازها و پایان‌ها در استفاده از هوش مصنوعی 49
بخش دوم، آماده‌سازی ابزارهای یادگیری خود 51
فصل 4، نصب توزیع R 53
انتخاب یک توزیع R با کاربرد یادگیری ماشین 54
نصب R بر روی ویندوز 55
سخنی درمورد شکل‌ها 62
نصب R بر روی لینوکس 62
نصب R بر روی سیستم‌عامل Mac X 65
دانلود مجموعه داده‌ها و کدهای مثال 66
مجموعه داده‌های مورداستفاده در این کتاب 67
تعریف مخزن کد 68
تعریف پوشه کتاب 68
ایجاد یک فایل جدید 69
ذخیره یک فایل 69
حذف یک فایل 69
باز کردن یک فایل 69
فصل 5، کدنویسی در R با استفاده از RStudio 71
انواع داده‌های اصلی 72
کسب اطلاعات بیشتر در مورد R 73
کار با بردارها 74
سازماندهی داده‌ها با استفاده از لیست‌ها 74
کار با ماتریس‌ها 76
ساخت یک ماتریس ساده 76
تغییر چیدمان بردار 77
دسترسی به عناصر منحصربه‌فرد 78
نام‌گذاری سطرها و ستون‌ها 78
کار با ابعاد چندگانه با استفاده از آرایه‌ها 80
ساخت یک آرایه ساده 80
نامگذاری سطرها و ستون‌ها 81
ساخت یک فریم داده 83
درک فاکتورها 83
ایجاد یک فریم داده پایه 85
تعامل با فریم‌های داده 87
پرس‌وجو از ساختار فریم داده 87
خلاصه‌سازی داده‌های موجود در فریم داده 87
استخراج داده‌های موجود در یک فریم داده 88
بسط یک فریم داده 88
اضافه کردن یک ستون 89
اضافه کردن یک سطر 89
انجام وظایف اساسی آماری 90
تصمیم‌گیری‌ها 90
استفاده از عبارت if 91
استفاده از عبارت if. . . else 91
استفاده از عبارت switch 92
کار با حلقه‌ها 92
استفاده از حلقه repeat 93
استفاده از حلقه while 93
استفاده از حلقه for 94
انجام وظایف تکراری بدون استفاده از حلقه 94
کار با توابع 95
پیدا کردن میانگین و میانه 96
ترسیم داده‌ها بر روی نمودار 97
فصل 6، نصب یک توزیع پایتون 99
استفاده از پایتون 2.7.X در این کتاب 100
انتخاب یک توزیع پایتون با در نظر داشتن یادگیری ماشین 101
تهیه Continuum Analytics Anaconda 101
دریافت Enthought Canopy Express 103
تهیه pythonxy 104
تهیه WinPython 104
نصب پایتون بر روی سیستم‌عامل لینوکس 105
نصب پایتون بر روی Mac OS X 105
نصب پایتون بر روی سیستم‌عامل ویندوز 107
دانلود مجموعه داده‌ها و کدهای مثال 110
استفاده از Notebook Jupyter 111
آغاز کار با Notebook Jupyter 111
متوقف کردن سرویس‌دهنده Notebook Jupyter 112
تعریف مخزن کد 113
تعریف پوشه 113
ایجاد یک Notebook جدید 114
صادر کردن یک Notebook 117
حذف یک Notebook 117
وارد کردن یک Notebook 118
مطلبی در مورد مجموعه داده‌های به‌کاررفته در کتاب 119
فصل 7، کدنویسی در پایتون با استفاده از Anaconda 121
کار با اعداد و منطق 122
تخصیص دادن به متغیرها 124
انجام محاسبات 126
مقایسه داده‌ها با استفاده از عبارات بولی 128
ایجاد و استفاده از رشته‌ها 131
کار با تاریخ‌ها 132
ایجاد و استفاده از توابع 133
ایجاد توابع با قابلیت استفاده مجدد 134
فراخوانی توابع 135
ارسال آرگومان‌های موردنیاز 135
ارسال آرگومان‌ها با استفاده از کلمه کلیدی 136
اختصاص مقدار پیش‌فرض به آرگومان‌های تابع 137
ساخت توابع با تعداد متغیری از آرگومان‌ها 137
کار با متغیرهای سراسری و محلی 138
استفاده از دستورات شرطی و حلقه‌ها 139
تصمیم‌گیری با استفاده از دستور if 139
انتخاب بین چند گزینه مختلف با استفاده از تصمیمات تودرتو 140
انجام کارهای تکراری با استفاده از for 141
استفاده از عبارت while 142
ذخیره داده‌ها با استفاده از مجموعه‌ها، لیست‌ها و مجموعه‌های چندتایی 143
ساخت مجموعه‌ها 143
انجام عملیات بر روی مجموعه‌ها 144
ساخت لیست 145
ایجاد تاپل‌ها و استفاده از آنها 146
تعریف تکرارکننده‌های مفید 148
شاخص‌گذاری داده‌ها با استفاده از دیکشنری‌ها 149
ذخیره کد در ماژول‌ها 150
فصل 8، کاوش در سایر ابزارهای یادگیری ماشین 153
آشنایی باPrecursors SAS، Stata و SPSS 154
یادگیری آکادمیک با Weka 157
دسترسی آسان به الگوریتم‌های پیچیده با استفاده از LIBSVM 158
اجرا کردن با سرعت نور با استفاده از Vowpal Wabbit 159
بصریسازی با استفاده از Knime و RapidMiner 160
پایش داده‌های حجیم با استفاده از Spark 161
بخش سوم، شروع کار با اصول ریاضی 163
فصل 9، شفاف‌سازی ریاضیات مورداستفاده در یادگیری ماشین 165
کار با داده‌ها 166
ایجاد یک ماتریس 168
بررسی عملیات پایه 170
انجام ضرب ماتریس 171
نگاهی به عملیات پیشرفته ماتریس 173
استفاده مؤثر از بردارسازی 174
کاوش در دنیای احتمالات 177
عملیات بر روی احتمالات 178
اعمال شرط با استفاده از قضیه بیز 179
توصیف استفاده از آمار 182
فصل 10، نزول درست منحنی 187
تفسیر یادگیری به‌عنوان بهینه‌سازی 188
یادگیری با نظارت 188
یادگیری بدون نظارت 188
یادگیری تقویتی 189
فرآیند یادگیری 189
کاوش در توابع هزینه 193
پایین آوردن منحنی خطا 195
تجارت در یک‌لحظه با سوخت موشک 196
به‌روزرسانی با استفاده از دسته کوچک و آنلاین 197
فصل 11، اعتبارسنجی یادگیری ماشین 201
بررسی خطاهای خارج از نمونه 202
به دنبال تعمیم 203
دانستن محدودیت‌های سوگیری 205
توجه به پیچیدگی مدل 207
متوازن کردن راه‌حل‌ها 208
رسم منحنی‌های یادگیری 210
آموزش، اعتبارسنجی و آزمایش 212
متوسل شدن به اعتبارسنجی متقابل 213
جایگزین‌هایی برای اعتبارسنجی 214
بهینه‌سازی گزینه‌های اعتبارسنجی متقابل 216
کاوش در فضای ابرپارامترها 217
مقابله با دام‌های سوگیری و نَشتی نمونه 218
مراقب آفت تجسس باشید 220
فصل 12، شروع به یادگیری ساده (یادگیرنده‌های ساده) 221
کشف باورنکردنی پرسپترون 222
وقوع یک واقعه شگفت‌انگیز 222
محدودیت جدا ناپذیری 224
درختان تصمیم در حال رشد حریصانه 226
پیش‌بینی نتایج با تجزیه داده 226
هرس درختان بزرگ (بیش‌ازحد رشد یافته) 230
تبدیل احتمال 232
درک Naïve Bayes 232
تخمین پاسخ با روش Naive Bayes 236
بخش چهارم، یادگیری از داده های بزرگ و هوشمند 241
فصل 13، پیش‌پردازش داده 243
جمع‌آوری و پاکسازی داده 244
اصلاح داده گمشده 245
شناسایی داده گمشده 245
انتخاب استراتژی جایگزینی درست 246
تبدیل توزیع‌ها 250
ایجاد متغیرهای موردنظر 252
درک نیاز به ایجاد متغیرهای جدید 252
ایجاد خودکار متغیرها 253
فشرده‌سازی داده‌ها 254
حذف داده‌های نابههنجار 257
فصل 14، به‌کارگیری شباهت 263
اندازه‌گیری شباهت میان بردارها 264
درک تشابه 264
محاسبه فاصله برای یادگیری 265
فاصله اقلیدسی 266
فاصله منهتن 266
فاصله چبیشف 266
استفاده از فاصله برای مکان‌یابی خوشه‌ها 266
بررسی فرضیات و انتظارات 268
بررسی جزئیات الگوریتم 269
تنظیم دقیق الگوریتم k-means 270
آزمایش قابلیت اطمینان k-means 272
آزمایش چگونگی همگراشدن مراکز 274
جستجو برای طبقه‌بندی از طریق k نزدیکترین همسایه 278
شناخت پارامتر درست k 279
آزمایش با یک الگوریتم انعطاف‌پذیر 281
فصل 15، کار با مدل‌های خطی به‌صورت آسان 285
شروع به ترکیب متغیرها 286
ترکیب متغیرها از انواع مختلف 292
سوئیچ به احتمالات 296
تعیین پاسخ دودویی 296
مدیریت کلاس‌های مختلف 299
حدس متغیرهای درست 299
تعیین نتیجه متغیرهایی که با یکدیگر کار نمی‌کنند 299
حل بیش برازش با استفاده از انتخاب 300
یادگیری یک نمونه در هر زمان 303
استفاده از گرادیان نزولی 303
درک اینکه چه میزان SGD متفاوت است 304
فصل 16، حذف پیچیدگی با شبکه‌های عصبی 309
یادگیری و تقلید از طبیعت 310
با شبکه‌ای پیشرو، جلو می‌رویم 312
حتی از وضعیت پیچیده هم عمیق‌تر می‌رویم 314
بازگشت به پس انتشار 317
دست‌وپنجه نرم کردن با بیش برازش 320
درک مشکل 320
جعبه سیاه را باز کنید 321
معرفی یادگیری عمیق 324
فصل 17، قدمي فراتر از ماشین‌های بردار پشتيبان 327
تجدیدنظر در مسائل جداسازي: رويکردي جديد 327
توضیح الگوريتم 329
ورود به بحث رياضيات SVM 331
نگاهي عمیق‌تر به رياضيات SVM 331
جلوگيري از مشکلات جداناپذيرها 332
روابط غیرخطی 333
نمایش ترفند کرنل با استفاده از مثال 335
کشف کرنل‌های متفاوت 336
نمایش ابرپارامترها 338
طبقه‌بندی و تخمین با SVM 340
فصل 18، کاربردهای یادگیرنده‌های ترکیبی 345
بهره‌گیری از درخت‌های تصمیم‌گیری 346
پرورش جنگلي از درخت‌های تصمیم‌گیری 347
يافتن اطلاعات بيشتر درباره درختان تصادفي 350
درک معیارهای مهم 352
بهکارگیری حدسیات نسبتا تصادفی 355
پیش‌بینی کننده‌های بگینگ با آدابوست 355
پیش‌بینی کننده‌های هوشمند بوستینگ 359
استفاده مجدد از گرادیان نزولی 359
میانگین‌گیری پیش‌بینی کننده‌های متفاوت 361
بخش پنجم، بکارگیری یادگیری برای مشکلات واقعی 363
فصل 19، طبقه‌بندی تصاویر 365
کار با مجموعه‌ای از تصاویر 366
استخراج ویژگی‌های بصری 371
تشخیص چهره با استفاده از Eigenfaces 373
طبقه‌بندی تصاویر 377
فصل 20، امتیاز دادن به نظرات و احساسات 381
معرفی پردازش زبان طبیعی 381
درک چگونگی خواندن ماشین‌ها 382
پردازش و افزایش متن 384
در نظر گرفتن پردازش پایه 385
ریشه‌یابی و حذف کلمات توقف 387
جمع‌آوری داده‌های متنی از وب 390
مدیریت مشکلات مربوط به متن خام 394
استفاده از امتیازدهی و طبقه‌بندی 395
انجام وظایف طبقه‌بندی 396
تجزیه‌ و تحلیل نظرات در تجارت الکترونیک 399
فصل 21، توصیه کردن محصولات و فیلم‌ها 405
تحقق یک تحول 406
بارگیری داده‌های رتبه‌بندی 407
با مجموعه داده‌های MovieLens مشغول به کار شوید 407
پیمایش داده‌های ناشناس وب 409
مواجهه با محدودیت‌های داده‌های رتبه‌بندی 410
استفاده از SVD 412
توجه به منشأ SVD 412
درک ارتباط SVD 414
دیدن SVD در عمل 415
بخش ششم، بخش ده‌ها 421
فصل 22، ده پکیج یادگیری ماشین برای ماهرشدن 423
Cloudera Oryx 424
CUDA-Convnet 424
ConvNetJS 424
e1071 425
Gbm 425
Gensim 426
Glmnet 426
randomForest 427
SciPy 427
XGBoost 428
فصل 23، ده راه برای بهبود مدل‌های یادگیری ماشین 429
مطالعه منحنی‌های یادگیری 430
استفاده درست از اعتبارسنجی متقابل 431
انتخاب معیار خطای درست یا معیار امتیاز 432
جستجو برای بهترین ابرپارامترها 433
آزمایش مدل‌های چندگانه 433
مدل‌های میانگین 434
مدل‌های پشته‌ای 434
بکارگیری مهندسی ویژگی 435
انتخاب ویژگی‌ها و نمونه‌ها 435
جستجو برای داده بیشتر 436
واژه‌نامه انگلیسی به فارسی 439

#	موضوع	عنوان	توضیح	دانلود
1	نمونه pdf	مجموعه صفحات قسمت ابتدايي کتاب شامل فهرست و بخشي از فصل يک		دانلود