معرفی ۱۰ کتاب یادگیری ماشین لرنینگ با پایتون


در حال حاضر، «هوش مصنوعی» (Artificial Intelligence)، «یادگیری ماشین» (Machine Learning) و «علم داده» (Data Science) از مباحث داغ روز هستند. «زبان برنامه نویسی پایتون» (Python Programming Language) نیز یک از محبوبترین زبانهای برنامهنویسی با بازار کار بسیار گسترده است. پایتون یکی از مهمترینها و در واقع اصلیترین زبان برنامهنویسی است که در زمینه هوش مصنوعی و یادگیری ماشین مورد استفاده قرار میگیرد. به همین دلیل، بسیاری از مراکز آموزشی و پژوهشی و کسب و کارهای بزرگ، متوسط و کوچک، در صدد استخدام برنامهنویسان پایتون و به طور ویژه، افرادی هستند که در یکی از زمینههای یاد شده فعالیت میکنند. در این مطلب، معرفی ۱۰ کتاب یادگیری ماشین لرنینگ با پایتون انجام میشود. مخاطبان میتوانند با مطالعه این کتابها به یادگیری ماشین لرنینگ با پایتون بپردازند.
مواردی که در ادامه به عنوان کتاب یادگیری ماشین با پایتون معرفی میشوند، از جمله کتابهای محبوب و پرمخاطبی هستند که توسط ناشرهای معروف دنیا تولید شدهاند. در انتهای مطلب معرفی کتاب یادگیری ماشین با پایتون علاوه بر موارد مربوط به یادگیری ماشین با پایتون یک کتاب یادگیری ماشین نیز به طور ویژه برای افرادی معرفی شده است که هیچ دانشی از یادگیری ماشین و پایتون ندارند و صرفا در ابتدای مسیر هستند و تمایل دارند ابتدا با یادگیری ماشین آشنا شوند.
معرفی ۱۰ کتاب یادگیری ماشین لرنینگ با پایتون
در ادامه، ده کتاب یادگیری ماشین با پایتون محبوب و مفید معرفی شدهاند. اطلاعات مربوط به هر کتاب یادگیری ماشین با پایتون شامل محتوا، نویسنده، ناشر، تعداد صفحات و سال چاپ بیان شده است.
کتاب یادگیری ماشین با سایکیتلِرن و تنسورفلو: مفاهیم، ابزارها و روشهای ساخت سیستمهای هوشمند
در کتاب «Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems» یا «کتاب یادگیری ماشین با سایکیتلِرن و تنسورفلو: مفاهیم، ابزارها و روشهای ساخت سیستمهای هوشمند»، با استفاده از مثالها، مباحث نظری کوتاه و دو «چارچوب نرمافزاری» (Framework) «سایکیتلِرن» (Scikit-Learn) و «تنسورفلو» (TensorFlow)، امکان به دست آوردن درکی کامل پیرامون مفاهیم و ابزارهای موجود برای ساخت سیستمهای هوشمند فراهم شده است.
مخاطبان با مطالعه این کتاب، طیفی از روشها را با شروع از «رگرسیون خطی» (Linear Regression) تا «شبکههای عصبی عمیق» (Deep Neural Networks) خواهند آموخت. در هر فصل از این کتاب، به منظور آنکه مخاطب اطمینان حاصل کند که آنچه بیان شده را فرا گرفته، یک تجربه برنامهنویسی تعبیه شده است.
- نویسنده(ها): اورلین جرن (Aurélien Géron)
- ناشر: اورایلی (O'Reilly)
- تعداد صفحات: ۵۷۲ صفحه
- سال چاپ: ویرایش اول - ۱۸ آوریل ۲۰۱۷ (۲۹ فروردین ۱۳۹۶)
کتاب مقدمهای بر یادگیری ماشین با پایتون: راهنمایی برای دانشمندان داده
کتاب «مقدمهای بر یادگیری ماشین با پایتون: راهنمایی برای دانشمندان داده» (Introduction to Machine Learning with Python: A Guide for Data Scientists) به افرادی که برنامهنویسی پایتون را میدانند، حتی افرادی با دانش مقدماتی، راهکارهای عملی برای ساخت راهکارهای یادگیری ماشین را میآموزد.
با بهرهگیری از دادههایی که امروزه موجود است، کاربردهای یادگیری ماشین تنها محدود به تخیل انسان است. با بهرهگیری از این کتاب یادگیری ماشین با پایتون مخاطبان گامهای لازم برای ساخت یک برنامه کاربردی یادگیری ماشین موفق را با پایتون و کتابخانه سایکیتلرن میآموزند. نویسندگان این کتاب «آندرس مولر» (Andreas Müller) و «سارا خیدو» (Sarah Guido)، به جای پرداختن به مباحث نظری نهفته در پس الگوریتمها، روی جنبههای عملی استفاده از الگوریتمهای یادگیری ماشین متمرکز شدهاند.
آشنایی با کتابخانههای «نامپای» (NumPy) و «متپلاتلیب» (Matplotlib) به کاربران در درک هر چه بهتر مطالب بیان شده در این کتاب یادگیری ماشین با پایتون کمک میکند. مخاطبان با مطالعه کتاب «مقدمهای بر یادگیری ماشین با پایتون: راهنمایی برای دانشمندان داده» ضمن فراگیری مفاهیم پایهای و کاربردهای یادگیری ماشین، مزایای و معایب الگوریتمهای این حوزه را آموخته و با چگونگی ارائه دادههای پردازش شده با یادگیری ماشین آشنا میشوند. همچنین، در این کتاب، روشهای پیشرفته برای ارزیابی مدل و تنظیم پارامترها و روشهای کار با دادههای متنی تشریح شده است.
- نویسنده(ها): آندرس مولر (Andreas Müller) و سارا خیدو (Sarah Guido)
- ناشر: اورایلی (O'Reilly)
- تعداد صفحات: ۴۰۰
- سال چاپ: ۲۱ اکتبر ۲۰۱۶ (۳۰ مهر ۱۳۹۵)
کتاب یادگیری ماشین با پایتون : یادگیری ماشین و یادگیری عمیق با پایتون، سایکیتلرن و تنسورفلو، ویرایش سوم
«کتاب یادگیری ماشین با پایتون: یادگیری ماشین و یادگیری عمیق با پایتون، سایکیتلرن و تنسورفلو، ویرایش سوم» (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3rd Edition)، راهنمایی جامعی برای یادگیری ماشین و یادگیری عمیق با پایتون است.
این کتاب یادگیری ماشین با پایتون هم به عنوان یک راهنمای گام به گام و هم به عنوان مرجعی عمل میکند که افراد میتوانند هنگام ساخت مدلهای یادگیری ماشین خود به آن مراجعه کنند. ویرایش سوم این کتاب با تنسورفلو ۲.۰ به روزرسانی شده است و در آن، به مخاطبان، ویژگیهای جدید «رابط برنامهنویسی کاربردی کرس» (Keras API) و همچنین ویژگیهای جدید سایکیتلرن معرفی شده است.
در این نسخه از کتاب یادگیری ماشین با پایتون به روشهای لبه علم «یادگیری تقویتی» (Reinforcement Learning) بر مبنای «یادگیری عمیق» (Deep Learning) و «شبکههای مولد تخاصمی» (Generative Adversarial Networks | GANs) نیز پرداخته شده است. شایان توجه است که در این کتاب، به مبحثی از «پردازش زبان طبیعی» (Natural Language Processing | NLP) نیز پرداخته شده است که به آن «تحلیل احساسات» (Sentiment Analysis) گفته میشود و طی آن به مخاطبان یاد داده میشود که چگونه از یادگیری ماشین برا دستهبندی اسناد خود استفاده کنند.
- نویسنده(ها): سباستین راشکا (Sebastian Raschka)
- ناشر: پکت (Packt)
- تعداد صفحات: ۷۷۰
- سال چاپ: ۱۲ دسامبر ۲۰۱۹ (۲۱ آذر ۱۳۹۸)
کتاب یادگیری ماشین با پایتون ، ویرایش اول
به افرادی که به دنبال استفاده از پایتون برای پاسخگویی به پرسشهای مهم پیرامون دادهها هستند، مطالعه «کتاب یادگیری ماشین با پایتون، ویرایش اول» (Python Machine Learning, 1st Edition) پیشنهاد میشود. چه مخاطب قصد داشته باشد یادگیری ماشین با پایتون را از صفر بیاموزد و چه قصد توسعه دادن دانش خود را داشته باشد، این کتاب یک منبع خوب محسوب میشود. برای پرسیدن پرسشهای بهتر پیرامون دادهها، نیاز به ارتقا و توسعه تواناییها پیرامون سیستمهای یادگیری ماشین است و در این راستا، این کتاب منبعی ارزشمند محسوب میشود.
- نویسنده(ها): سباستین راشکا (Sebastian Raschka)
- ناشر: پکت (Packt)
- تعداد صفحات: ۴۵۴
- سال چاپ: ۱ سپتامبر ۲۰۱۵ (۱۰ شهریور ۱۳۹۴)
کتاب یادگیری ماشین با تنسورفلو
«کتاب یادگیری ماشین با تنسورفلو» (Machine Learning With TensorFlow) به مخاطبان خود مبنایی مستحکم از مفاهیم نظری یادگیری ماشین را به همراه تجربه کدنویسی تنسورفلو با پایتون ارائه میکند. مخاطبان با مطالعه این کتاب یادگیری ماشین لرنینگ با پایتون مبانی یادگیری ماشین را ضمن کار با الگوریتمهای پیشبینی کلاسیک، «دستهبندی» (Classification) و «خوشهبندی» (Clustering) میآموزد.
در این کتاب، فصلهایی نیر به مفاهیم یادگیری عمیق شامل «خودرمزگذارها» (Autoencoders) و «شبکههای عصبی بازگشتی» (Recurrent Neural Networks) اختصاص داده شده و همچنین، به مبحث یادگیری تقویتی نیز پرداخته شده است.
- نویسنده(ها): نیشانت شکلا (Nishant Shukla)
- ناشر: منینگ (Manning)
- تعداد صفحات: ۲۷۲
- سال چاپ: ۱۲ فوریه ۲۰۱۸ (۲۳ بهمن ۱۳۹۶)
کتاب یادگیری ماشین پیشرفته با پایتون
مخاطبان با مطالعه «کتاب یادگیری ماشین پیشرفته با پایتون» (Advanced Machine Learning with Python) چگونگی حل مسائل پیچیده یادگیری ماشین و یادگیری عمیق را به همراه روش استفاده از کدهای پایتون برای پیادهسازی طیفی از الگوریتمها و روشهای یادگیری ماشین میآموزند. این کتاب یادگیری ماشین لرنینگ با پایتون یک راهنمای کاربردی برای مواجهه با مسائل محاسباتی جهان واقعی فراهم میکند. این کتاب برای توسعه دهندگان پایتون و «تحلیلگران داده» (Data Analysers) یا «دانشمندان دادهای» (Data Scientists) مناسب است که در صدد ارتقا مهارتهای خود با قدرتمندترین مباحث حوزه علم داده هستند.
- نویسنده(ها): جان هارتی (John Hearty)
- ناشر: پکت (Packt)
- تعداد صفحات: ۲۷۸
- سال چاپ: ۲۸ جولای ۲۰۱۶ (۷ مرداد ۱۳۹۵)
کتاب راهنمای جیبی یادگیری ماشین: کار با دادههای ساختار یافته در پایتون، ویرایش اول
کتاب «راهنمای جیبی یادگیری ماشین: کار با دادههای ساختار یافته در پایتون» (Machine Learning Pocket Reference: Working with Structured Data in Python) با داشتن توضیحات همراه با جزئیات و مثالها، به مخاطبان کمک میکند تا مفاهیم یادگیری ماشین ساختار یافته را بیاموزند.
این کتاب یادگیری ماشین لرنینگ با پایتون که برای برنامهنویسها، دانشمندان داده و مهندسان هوش مصنوعی گزینهای ایدهآل محسوب میشود، چشماندازی از فرایندهای یادگیری ماشین را ارائه و مخاطب را وارد دنیای کار با دادههای ساختاریافته میکند. کتاب مذکور شامل موضوعات دستهبندی، «پاکسازی دادهها» (Data Cleaning) و کار با «دادههای ناموجود» (Missing Data)، «تحلیل اکتشافی دادهها» (Exploratory Data Analysis)، گامهای متداول «پیشپردازش» (Preprocessing) دادهها، انتخاب ویژگی، انتخاب مدل و بسیاری از دیگر مباحث میشود.
- نویسنده(ها): مت هریسون (Matt Harrison)
- ناشر: اورایلی (O'Reilly)
- تعداد صفحات: ۳۲۰
- سال چاپ: ۲۷ آگوست ۲۰۱۹ (۵ شهریور ۱۳۹۸)
کتاب یادگیری نظارت نشده با پایتون
بسیاری از کارشناسان حوزه هوش مصنوعی و یادگیری ماشین بر این باور هستند که «یادگیری نظارت نشده» (Unsupervised Learning) (به آن یادگیری بیناظر یا یادگیری بدون ناظر نیز گفته میشود) خط مقدم هوش مصنوعی خواهد بود و احتمالا کلید «هوش مصنوعی عمومی» (General Artificial Intelligence) در دستای یادگیری نظارت نشده است.
دلیل این امر آن است که اغلب دادههای موجود در جهان، فاقد برچسب هستند و یادگیری «نظارت شده» (Supervised) (با ناظر) قابل اعمال روی چنین دادههایی نیست. این در حالی است که یادگیری نظارت نشده قابل اعمال روی مجموعه دادههای فاقد برچسب به منظور کشف الگوهای معنادار از میان دادهها است. در این کتاب، چگونگی اعمال یادگیری نظارت نشده روی دادهها با استفاده از دو چارچوب نرمافزاری پایتون سایکیتلرن و تنسورفلو آموزش داده شده است.
از جمله مباحث مورد بررسی در این کتاب میتوان به بررسی نقاط ضعف و قوت رویکردهای مختلف یادگیری ماشین (با ناظر، بی ناظر و یادگیری تقویتی)، راهاندازی و مدیریت پروژههای یادگیری ماشین، ساخت سیستم «تشخیص ناهنجاری» (Anomaly Detection) برای کشف کلاهبرداری کارتهای اعتباری، خوشهبندی کاربران در گروههای متمایز و همگن، اجرای یادگیری «نیمهنظارت شده» (Semi Supervised Learning)، توسعه «سیستم پیشنهادگر» (Recommender Systems) فیلم با استفاده از «ماشین بولتزمن محدود» (Restricted Boltzmann Machines)، تولید تصاویر مصنوعی با استفاده از شبکههای مولد تخاصمی و بسیاری از دیگر موارد مورد بررسی قرار گرفته است.
- نویسنده(ها): آنکور اِی پاتل (Ankur A. Patel)
- ناشر: اورایلی (O'Reilly)
- تعداد صفحات: ۳۶۲
- سال چاپ: ۲۱ فوریه ۲۰۱۹
کتاب پروژههای شبکه عصبی با پایتون: راهنمای جامع استفاده از پایتون برای اکتشاف قدرت واقعی شبکههای عصبی از طریق شش پروژه
کتاب «پروژههای شبکه عصبی با پایتون: راهنمای جامع استفاده از پایتون برای اکتشاف قدرت واقعی شبکههای عصبی از طریق شش پروژه» (Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through six projects) همانگونه که از نام آن پیدا است با رویکرد کاملا پروژه محور تدوین شده است. مخاطبان میتوانند پورتفولیو یادگیری ماشین خود را با شش پروژه هوش مصنوعی لبه علم بسازند که با استفاده از شبکههای عصبی در پایتون ساخته شدهاند.
در این کتاب معماریهای شبکههای عصبی مانند «شبکههای عصبی پیچشی» (Convolutional Neural Networks) و «حافظه طولانی مدت کوتاه | اِلاِستیاِم» (Long Short-Term Memory | LSTM) تشریح شدهاند و چگونگی ساخت شبکههای عصبی با استفاده از کتابخانه های محبوب پایتون مانند کرس آموزش داده شده است. همچنین، چگونگی اکتشاف پروژههایی مانند «تشخیص اشیا» (Object Detection)، «تشخیص چهره» (Face Detection) و «تحلیل احساسات» (Sentiment Analysis) (که به آن تحلیل عواطف نیز گفته میشود) تشریح شده است.
- نویسنده(ها): جیمز لوی (James Loy)
- ناشر: پکت (Packt)
- تعداد صفحات: ۳۱۰
- سال چاپ: ۲۸ فوریه ۲۰۱۹ (۹ اسفند ۱۳۹۷)
کتاب یادگیری عمیق با پایتون
در «کتاب یادگیری عمیق با پایتون» (Deep Learning with Python) مبحث یادگیری عمیق با استفاده از زبان برنامهنویسی پایتون و کتابخانه قدرتمند کرس، مورد بررسی قرار میگیرد. این کتاب یادگیری ماشین لرنینگ با پایتون توسط سازنده کرس و پژوهشگر «گوگل ایآی» (Google AI) «فرانسوا شوله» (François Chollet) نوشته شده است. کتاب مذکور با ارائه توصیفات شهودی و مثالهای کاربردی، دانش مخاطب را پایهریزی میکند.
- نویسنده(ها): فرانسوا شوله (François Chollet)
- ناشر: منینگ (Manning)
- تعداد صفحات: ۳۸۴
- سال چاپ: ۲۲ دسامبر ۲۰۱۷ (۱ دی ۱۳۹۶)
در ادامه یک کتاب یادگیری ماشین نیز ویژه مبتدیهایی معرفی میشود که هیچ شناخته برنامهنویسی ندارند. این کتاب یازدهم، ویژه افرادی است که علاقهمند به ورود به دنیای یادگیری ماشین هستند.
کتاب یادگیری ماشین برای کاملا مبتدیها: یک مقدمه کاملا به زبان ساده
ویرایش دوم «کتاب یادگیری ماشین برای کاملا مبتدیها: یک مقدمه کاملا به زبان ساده» (Machine Learning For Absolute Beginners: A Plain English Introduction)، برای علاقهمندان یادگیری ماشین لرنینگ در سطح کاملا مبتدی است. برای مطالعه این کتاب، مخاطبان از پیش، نیاز به هیچ تجربه برنامهنویسی ندارند.
در این کتاب، الگوریتمهای یادگیری ماشین معرفی شدهاند و تصاویر و توضیحات شفاف نیز برای سادهتر کردن درک مطالب ارائه شده است. این ویرایش جدید از کتاب، حاوی مباحث زیادی است که در ویرایش اول کتاب پوشش داده نشده بودند. از جمله این مباحث میتوان به «اعتبارسنجی متقابل» (Cross Validation)، «اسکراب داده» (Data Scrubbing) و «مدلسازی ترکیبی» (Ensemble Modeling) اشاره کرد.
- نویسنده(ها): اولیور تئوبالد (Oliver Theobald)
- ناشر: مولف
- تعداد صفحات: ۱۵۵ صفحه
- سال چاپ: ۱ ژانویه ۲۰۱۸ (۱۱ دی ۱۳۹۶)