کتاب Hands-On Unsupervised Learning Using Python

یادگیری بدون نظارت با پایتون: راهنمای عملی برای کشف الگوهای داده

آشنایی با یادگیری بدون نظارت

کتاب یادگیری بدون نظارت با پایتون، نوشته انکور پاتل، راهنمایی کاربردی برای دانشمندان داده است که می‌خواهند از قدرت یادگیری بدون نظارت برای کشف الگوهای پنهان در داده‌های بدون برچسب استفاده کنند. این کتاب با استفاده از دو چارچوب آماده تولید، Scikit-learn و TensorFlow با Keras، شما را در پیاده‌سازی تکنیک‌های یادگیری بدون نظارت برای حل مسائل تجاری و علمی هدایت می‌کند.

چرا این کتاب را بخوانید؟

اکثر داده‌های جهان بدون برچسب هستند و یادگیری نظارت‌شده نمی‌تواند به‌طور کامل از آن‌ها بهره ببرد. این کتاب با مثال‌های کدنویسی عملی و پروژه‌های واقعی، نشان می‌دهد چگونه یادگیری بدون نظارت می‌تواند الگوهای پیچیده را کشف کند، ناهنجاری‌ها را تشخیص دهد، ویژگی‌ها را به‌صورت خودکار استخراج کند و داده‌های مصنوعی تولید کند. از تشخیص تقلب در کارت‌های اعتباری تا ساخت سیستم‌های توصیه‌گر فیلم، این کتاب مهارت‌های لازم برای پیشبرد پروژه‌های یادگیری ماشین را ارائه می‌دهد.

ویژگی‌های کلیدی کتاب

بخش اول: مبانی یادگیری بدون نظارت

• یادگیری بدون نظارت در اکوسیستم یادگیری ماشین: مقایسه با یادگیری نظارت‌شده و تقویتی.

• پروژه یادگیری ماشین از ابتدا تا انتها: مدیریت کامل پروژه‌های یادگیری بدون نظارت.

بخش دوم: یادگیری بدون نظارت با Scikit-learn

• کاهش ابعاد: ساده‌سازی داده‌های پیچیده.

• تشخیص ناهنجاری: ساخت سیستم تشخیص تقلب کارت اعتباری.

• خوشه‌بندی: گروه‌بندی داده‌ها برای تحلیل‌های عمیق.

• تقسیم‌بندی گروه‌ها: شناسایی گروه‌های همگن کاربران.

بخش سوم: یادگیری بدون نظارت با TensorFlow و Keras

• اتواینکدرها: یادگیری اصول و کاربردهای اتواینکدر.

• اتواینکدر عملی: پیاده‌سازی عملی برای استخراج ویژگی‌ها.

• یادگیری نیمه‌نظارت‌شده: ترکیب داده‌های برچسب‌دار و بدون برچسب.

بخش چهارم: یادگیری عمیق بدون نظارت

• سیستم‌های توصیه‌گر با ماشین‌های بولتزمن محدود: توسعه سیستم‌های توصیه فیلم.

• تشخیص ویژگی با شبکه‌های باور عمیق: تحلیل داده‌های پیچیده.

• شبکه‌های مولد متخاصم (GAN): تولید تصاویر مصنوعی.

• خوشه‌بندی سری‌های زمانی: تحلیل داده‌های زمانی.

کاربردهای عملی

این کتاب با مثال‌های کدنویسی پایتون و پروژه‌های واقعی مانند تشخیص تقلب، خوشه‌بندی کاربران و تولید داده‌های مصنوعی، شما را در حل مسائل دنیای واقعی توانمند می‌کند. از کاهش ابعاد داده‌ها تا ساخت سیستم‌های توصیه‌گر، این کتاب ابزارهای لازم برای استخراج بینش‌های عمیق از داده‌های بدون برچسب را ارائه می‌دهد.

درباره فناوری

یادگیری بدون نظارت با استفاده از چارچوب‌های Scikit-learn و TensorFlow/Keras، امکان کشف الگوهای پنهان در داده‌ها را فراهم می‌کند. این کتاب شما را با این فناوری‌ها و تکنیک‌های مدرن مانند اتواینکدرها و شبکه‌های مولد متخاصم آشنا می‌کند تا پروژه‌های یادگیری ماشین پیشرفته را پیاده‌سازی کنید.

مخاطبان کتاب

این کتاب برای دانشمندان داده و توسعه‌دهندگانی مناسب است که دانش پایه‌ای در یادگیری ماشین و برنامه‌نویسی پایتون دارند و می‌خواهند یادگیری بدون نظارت را برای حل مسائل پیچیده به کار گیرند. تجربه اولیه با یادگیری ماشین به درک بهتر محتوا کمک می‌کند.

درباره نویسنده

انکور پاتل، متخصص یادگیری ماشین، با تجربه در توسعه راه‌حل‌های داده‌محور، دانش خود را با مثال‌های عملی و توصیه‌های کاربردی در این کتاب به اشتراک گذاشته است.