Machine Learning in Action

یک ماشین زمانی گفته می‌شود که یاد می‌گیرد که عملکرد آن با تجربه بهبود یابد. یادگیری نیازمند الگوریتم‌ها و برنامه‌هایی است که داده‌ها را جمع‌آوری کرده و الگوهای جالب یا مفید را کشف کنند. یادگیری ماشین که روزگاری فقط مختص تحلیلگران و ریاضی‌دان‌ها بود، اکنون به مهارتی تبدیل شده که بسیاری به آن نیاز دارند.

Machine Learning in Action کتابی است که به‌طور واضح و مفصل به معرفی اصول یادگیری ماشین می‌پردازد و در عین حال، واقعیت‌های عملی ساخت ابزارهایی برای تجزیه و تحلیل داده‌های روزمره را نیز پوشش می‌دهد. در این کتاب از زبان برنامه‌نویسی پایتون برای ساخت برنامه‌هایی استفاده می‌شود که الگوریتم‌هایی برای طبقه‌بندی داده‌ها، پیش‌بینی، توصیه‌ها و ویژگی‌های سطح بالاتر مانند خلاصه‌سازی و ساده‌سازی پیاده‌سازی می‌کنند.

این کتاب یک راهنمای آموزشی واضح برای توسعه‌دهندگان است و از زبان آکادمیک اجتناب کرده و شما را مستقیماً به تکنیک‌هایی می‌برد که در کار روزمره خود از آنها استفاده خواهید کرد. بسیاری از مثال‌های پایتون الگوریتم‌های اصلی پردازش داده‌های آماری، تجزیه و تحلیل داده‌ها و تجسم داده‌ها را نشان می‌دهند، که می‌توانید کد آنها را مجدداً استفاده کنید. شما مفاهیم را درک خواهید کرد و خواهید دانست که چگونه این مفاهیم با وظایف عملی مانند طبقه‌بندی، پیش‌بینی، توصیه‌ها و ویژگی‌های سطح بالاتر مانند خلاصه‌سازی و ساده‌سازی ارتباط دارند.

خوانندگان نیازی به تجربه قبلی در یادگیری ماشین یا پردازش آماری ندارند. آشنایی با پایتون مفید خواهد بود.

محتویات کتاب

• مقدمه‌ای بدون حاشیه
• مثال‌هایی از وظایف رایج یادگیری ماشین
• تجزیه و تحلیل داده‌های روزمره
• پیاده‌سازی الگوریتم‌های کلاسیک مانند Apriori و AdaBoost

Machine Learning in Action is unique book that blends the foundational theories of machine learning with the practical realities of building tools for everyday data analysis. You’ll use the flexible Python programming language to build programs that implement algorithms for data classification, forecasting, recommendations, and higher-level features like summarization and simplification.

About the Book

A machine is said to learn when its performance improves with experience. Learning requires algorithms and programs that capture data and ferret out the interestingor useful patterns. Once the specialized domain of analysts and mathematicians, machine learning is becoming a skill needed by many.

Machine Learning in Action is a clearly written tutorial for developers. It avoids academic language and takes you straight to the techniques you’ll use in your day-to-day work. Many (Python) examples present the core algorithms of statistical data processing, data analysis, and data visualization in code you can reuse. You’ll understand the concepts and how they fit in with tactical tasks like classification, forecasting, recommendations, and higher-level features like summarization and simplification.

Readers need no prior experience with machine learning or statistical processing. Familiarity with Python is helpful.

What’s Inside

• A no-nonsense introduction
• Examples showing common ML tasks
• Everyday data analysis
• Implementing classic algorithms like Apriori and Adaboos

Table of Contents

PART 1: CLASSIFICATION

1. Machine Learning Basics

2. Classifying with k-Nearest Neighbors

3. Splitting Datasets One Feature at a Time: Decision Trees

4. Classifying with Probability Theory: Naïve Bayes

5. Logistic Regression

6. Support Vector Machines

7. Improving Classification with the AdaBoost Meta Algorithm

PART 2: FORECASTING NUMERIC VALUES WITH REGRESSION

8. Predicting Numeric Values: Regression

9. Tree-Based Regression

PART 3: UNSUPERVISED LEARNING

10. Grouping Unlabeled Items Using k-Means Clustering

11. Association Analysis with the Apriori Algorithm

12. Efficiently Finding Frequent Itemsets with FP-Growth

PART 4: ADDITIONAL TOOLS

13. Using Principal Component Analysis to Simplify Data

14. Simplifying Data with Singular Value Decomposition

15. Big Data and MapReduce

About the Author

Peter Harrington holds a Bachelors and a Masters Degrees in Electrical Engineering. He is a professional developer and data scientist. Peter holds five US patents and his work has been published in numerous academic journals.