کتاب Machine Learning for Tabular Data

یادگیری ماشین برای داده‌های جدولی: راهنمای عملی برای تحلیل داده‌های تجاری

آشنایی با یادگیری ماشین برای داده‌های جدولی

کتاب یادگیری ماشین برای داده‌های جدولی، نوشته مارک رایان و لوکا ماسارون، راهنمایی جامع و عملی برای تحلیلگران داده و توسعه‌دهندگان است که می‌خواهند با استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق، اطلاعات ارزشمندی از داده‌های جدولی مانند پایگاه‌های داده، صفحات گسترده و لاگ‌ها استخراج کنند. این کتاب با تمرکز بر ابزارهایی مانند XGBoost، TensorFlow، PyTorch و Vertex AI، شما را در ساخت مدل‌های قدرتمند و قابل‌توضیح هدایت می‌کند.

چرا این کتاب را بخوانید؟

داده‌های جدولی، مانند داده‌های موجود در پایگاه‌های داده و صفحات گسترده، ستون فقرات بسیاری از فرآیندهای تجاری هستند. این کتاب با آموزش تکنیک‌های کلاسیک مانند گرادیان بوستینگ و روش‌های مدرن یادگیری عمیق، به شما نشان می‌دهد چگونه این داده‌ها را برای پیش‌بینی تقاضا، تشخیص تقلب، بازاریابی شخصی‌سازی‌شده و سایر چالش‌های تجاری تحلیل کنید. با مثال‌های عملی مانند پیش‌بینی قیمت اجاره کوتاه‌مدت و استقرار مدل‌ها در محیط‌های ابری، این کتاب مهارت‌های لازم برای ارتقاء تحلیل داده‌های تجاری را ارائه می‌دهد.

ویژگی‌های کلیدی کتاب

بخش اول: مبانی داده‌های جدولی

• درک داده‌های جدولی: آشنایی با ساختار و اهمیت داده‌های جدولی.

• کاوش مجموعه‌های داده جدولی: تحلیل اولیه داده‌ها.

• یادگیری ماشین در مقابل یادگیری عمیق: انتخاب رویکرد مناسب.

بخش دوم: تکنیک‌های کلاسیک

• الگوریتم‌های کلاسیک برای داده‌های جدولی: معرفی روش‌های پایه.

• درخت‌های تصمیم و گرادیان بوستینگ: تسلط بر XGBoost و LightGBM.

• روش‌های پردازش پیشرفته ویژگی‌ها: بهبود کیفیت داده‌ها.

• مثال جامع با XGBoost: پیاده‌سازی یک پروژه کامل.

بخش سوم: یادگیری عمیق و استقرار

• شروع یادگیری عمیق با داده‌های جدولی: استفاده از TensorFlow و PyTorch.

• بهترین روش‌های یادگیری عمیق: بهینه‌سازی مدل‌ها.

• استقرار مدل‌ها: اجرای مدل‌ها به‌صورت محلی و ابری.

• ساخت خط لوله یادگیری ماشین: خودکارسازی آموزش و نگهداری مدل‌ها.

• ترکیب گرادیان بوستینگ و یادگیری عمیق: رویکردهای ترکیبی.

پیوست‌ها

• هایپرپارامترها برای مدل‌های کلاسیک: تنظیم مدل‌های یادگیری ماشین.

• K-nearest neighbors و ماشین‌های بردار پشتیبان: تکنیک‌های مکمل.

کاربردهای عملی

این کتاب با مثال‌های کدنویسی پایتون و پروژه‌های واقعی، مانند پیش‌بینی قیمت با XGBoost و استقرار مدل‌ها با Flask و Vertex AI، شما را در تحلیل داده‌های جدولی و خودکارسازی فرآیندهای تجاری توانمند می‌کند. از ساخت خط لوله‌های MLOps تا استفاده از مدل‌های زبانی بزرگ (LLMs)، این کتاب مهارت‌های لازم برای حل چالش‌های تجاری را ارائه می‌دهد.

درباره فناوری

یادگیری ماشین و یادگیری عمیق با ابزارهایی مانند XGBoost، TensorFlow، PyTorch و Vertex AI، امکان تحلیل پیشرفته داده‌های جدولی را فراهم می‌کنند. این کتاب با تمرکز بر این فناوری‌ها و رویکردهای ترکیبی، شما را برای ساخت مدل‌های مقیاس‌پذیر و قابل‌توضیح آماده می‌کند.

مخاطبان کتاب

این کتاب برای تحلیلگران داده، توسعه‌دهندگان و حرفه‌ای‌هایی مناسب است که دانش پایه‌ای در پایتون و یادگیری ماشین دارند و می‌خواهند از داده‌های جدولی برای حل مسائل تجاری استفاده کنند.

درباره نویسندگان

مارک رایان، رهبر هوش مصنوعی در پلتفرم دانش توسعه‌دهندگان گوگل، و لوکا ماسارون، متخصص یادگیری ماشین گوگل و برنده سه‌بارۀ Kaggle Grandmaster، با تجربه گسترده در تحلیل داده، دانش خود را با مثال‌های عملی در این کتاب به اشتراک گذاشته‌اند.