Data Without Labels

همه‌ی پیاده‌سازی‌های عملی الگوریتم‌ها و مدل‌های کلیدی برای کار با داده‌های بدون برچسب را کشف کنید. این کتاب با نمونه‌های واقعی متعدد همراه است که نشان می‌دهند چگونه می‌توان هر تکنیک را در حل مسائل دنیای واقعی به‌کار برد.

در کتاب Data Without Labels خواهید آموخت:

• مفاهیم پایه و اجزای اساسی یادگیری ماشین و یادگیری بدون نظارت
• پاک‌سازی داده‌ها برای داده‌های ساخت‌یافته و بدون ساختار (مانند متن و تصویر)
• الگوریتم‌های خوشه‌بندی مانند K-means، خوشه‌بندی سلسله‌مراتبی، DBSCAN، مدل‌های مختلط گاوسی (GMM) و خوشه‌بندی طیفی (Spectral Clustering)
• روش‌های کاهش بُعد مانند تحلیل مؤلفه‌های اصلی (PCA)، SVD، مقیاس‌گذاری چندبعدی (MDS) و t-SNE
• الگوریتم‌های استخراج قوانین انجمنی مانند Apriori، ECLAT و SPADE
• خوشه‌بندی سری‌های زمانی، مدل‌های آماری، و مدل‌های مختلط گاوسی
• ساخت شبکه‌های عصبی بدون نظارت مانند Autoencoderها و GANها
• کار با ابزارها و کتابخانه‌های پایتون از جمله:
• scikit-learn, NumPy, Pandas, Matplotlib, Seaborn, Keras, TensorFlow، و Flask
• نحوه تفسیر نتایج الگوریتم‌های بدون نظارت
• انتخاب الگوریتم مناسب برای هر مسئله
• استقرار مدل‌های بدون نظارت در محیط تولیدی (Production)
• نگهداری و به‌روزرسانی راهکارهای یادگیری ماشین پس از استقرار

کتاب Data Without Labels روش‌های ریاضی، الگوریتم‌های کلیدی، و پیاده‌سازی‌های پایتونی را معرفی می‌کند که به شما در ساخت مدل‌های یادگیری ماشین برای داده‌های بدون برچسب کمک می‌کنند. شما با رویکردهای بدون نیاز به نظارت انسانی آشنا می‌شوید که قادرند داده‌های خام و دنیای واقعی را تحلیل و به تصمیم‌گیری‌های استراتژیک کمک کنند.

این کتاب شما را در تئوری غرق نمی‌کند — بلکه با پل زدن میان ریاضیات پیچیده و پیاده‌سازی عملی در پایتون، فرایند توسعه مدل را از مرحله ایده تا استقرار نهایی آموزش می‌دهد. علاوه بر این، کاربردهای تجاری یادگیری بدون نظارت را توضیح داده و منابع تحقیقاتی ارزشمندی نیز برای تعمیق دانش در اختیارتان می‌گذارد.

Discover all-practical implementations of the key algorithms and models for handling unlabeled data. Full of case studies demonstrating how to apply each technique to real-world problems.

In Data Without Labels you’ll learn:

• Fundamental building blocks and concepts of machine learning and unsupervised learning

• Data cleaning for structured and unstructured data like text and images

• Clustering algorithms like K-means, hierarchical clustering, DBSCAN, Gaussian Mixture Models, and Spectral clustering

• Dimensionality reduction methods like Principal Component Analysis (PCA), SVD, Multidimensional scaling, and t-SNE

• Association rule algorithms like aPriori, ECLAT, SPADE

• Unsupervised time series clustering, Gaussian Mixture models, and statistical methods

• Building neural networks such as GANs and autoencoders

• Dimensionality reduction methods like Principal Component Analysis and multidimensional scaling

• Association rule algorithms like aPriori, ECLAT, and SPADE

• Working with Python tools and libraries like sci-kit learn, numpy, Pandas, matplotlib, Seaborn, Keras, TensorFlow, and Flask

• How to interpret the results of unsupervised learning

• Choosing the right algorithm for your problem

• Deploying unsupervised learning to production

• Maintenance and refresh of an ML solution

Data Without Labels introduces mathematical techniques, key algorithms, and Python implementations that will help you build machine learning models for unannotated data. You’ll discover hands-off and unsupervised machine learning approaches that can still untangle raw, real-world datasets and support sound strategic decisions for your business.

Don’t get bogged down in theory—the book bridges the gap between complex math and practical Python implementations, covering end-to-end model development all the way through to production deployment. You’ll discover the business use cases for machine learning and unsupervised learning, and access insightful research papers to complete your knowledge.

Foreword by Ravi Gopalakrishnan.

About the technology

Generative AI, predictive algorithms, fraud detection, and many other analysis tasks rely on cheap and plentiful unlabeled data. Machine learning on data without labels—or unsupervised learning—turns raw text, images, and numbers into insights about your customers, accurate computer vision, and high-quality datasets for training AI models. This book will show you how.

About the book

Data Without Labels is a comprehensive guide to unsupervised learning, offering a deep dive into its mathematical foundations, algorithms, and practical applications. It presents practical examples from retail, aviation, and banking using fully annotated Python code. You’ll explore core techniques like clustering and dimensionality reduction along with advanced topics like autoencoders and GANs. As you go, you’ll learn where to apply unsupervised learning in business applications and discover how to develop your own machine learning models end-to-end.

What’s inside

• Master unsupervised learning algorithms

• Real-world business applications

• Curate AI training datasets

• Explore autoencoders and GANs applications

About the reader

Intended for data science professionals. Assumes knowledge of Python and basic machine learning.

About the author

Vaibhav Verdhan is a seasoned data science professional with extensive experience working on data science projects in a large pharmaceutical company.

Table of Contents

Part 1. Basics

1. Introduction to machine learning

2. Clustering techniques

3. Dimensionality reduction

Part 2. Intermediate level

4. Association rules

5. Clustering

6. Dimensionality reduction

7. Unsupervised learning for text data

Part 3. Advanced concepts

8. Deep learning: The foundational concepts

9. Autoencoders

10. Generative adversarial networks, generative AI, and ChatGPT

11. End-to-end model deployment

Appendix A Mathematical foundations

About the Author

Vaibhav Verdhan is a seasoned data science professional with rich experience across geographies and domains. He has led multiple engagements in machine learning and artificial intelligence. A leading industry expert, Vaibhav is a regular speaker at conferences and meet-ups and mentors students and professionals. Currently he resides in Ireland where he works as a principal data scientist.