کتابخانه ML.NET قدرت یادگیری ماشینی را برای همه توسعه دهندگان دات نت به ارمغان می‌آورد و کتاب Programming ML.NET (برنامه نویسی ML.NET) به شما کمک می‌کند تا آن را در راهکار‌های عملیاتی واقعی به کار ببرید. این کتاب با الگوبرداری از کتاب پرفروش برنامه نویسی ASP.NET Dino Esposito، همان رویکرد مبتنی بر سناریو را دارد که تیم مایکروسافت برای ساخت خود ML.NET استفاده کرده است. پس از یک مرور کلی از کتابخانه‌های ML.NET، نویسندگان چارچوب‌های کوچک ("ML Tasks") را برای رگرسیون، طبقه‌بندی، رتبه‌بندی، تشخیص ناهنجاری و موارد دیگر معرفی می‌کنند. برای هر ML Task، آنها بینش هایی را برای غلبه بر چالش‌های رایج در دنیای واقعی ارائه می‌دهند. در نهایت، فراتر از یادگیری سطحی، نویسندگان به طور کامل شبکه عصبی ML.NET را معرفی کرده اند. آنها یک نمونه برنامه کامل را ارائه می‌کنند که سرویس‌های شناختی پیشرفته Microsoft Azure و یک شبکه سفارشی دست ساز Keras را نشان می‌دهد و چگونگی استفاده از ابزارهای محبوب Python در دات نت را نشان می‌دهد.

کتاب Machine Learning with PyTorch and Scikit-Learn (یادگیری ماشین با PyTorch و Scikit-Learn)، یک راهنمای جامع برای یادگیری ماشین و یادگیری عمیق با PyTorch است. این کتاب، هم به عنوان یک آموزش گام به گام و هم به عنوان مرجعی عمل می‌کند که در حین ساختن سیستم‌های یادگیری ماشین خودتان به آن رجوع خواهید کرد. این کتاب با توضیحات، تصویر سازی‌ها و مثال‌های واضح، تمام تکنیک‌های اساسی یادگیری ماشین را به طور عمقی پوشش می‌دهد. در حالی که برخی از کتاب‌ها فقط دنبال کردن دستور العمل‌ها را به شما آموزش می‌دهند، در این کتاب، ما اصولی را آموزش می‌دهیم که به شما امکان می‌دهند تا مدل‌ها و برنامه‌های کاربردی را برای خود بسازید.

پای تورچ، راه پایتونیک برای آموختن یادگیری ماشین است که یادگیری آن را آسان‌تر و کدنویسی با آن را ساده‌تر می‌کند. این کتاب، بخش‌های ضروری PyTorch و نحوه‌ی ایجاد مدل‌ها با استفاده از کتابخانه‌های محبوب مانند PyTorch Lightning و PyTorch Geometric را شرح می‌دهد. همچنین در مورد شبکه‌های متخاصم مولد (GAN) برای تولید داده‌های جدید و آموزش عوامل هوشمند با یادگیری تقویتی نیز خواهید آموخت. در نهایت، ویرایش جدید این کتاب، برای پوشش آخرین trendها در یادگیری عمیق، از جمله شبکه‌های عصبی گراف و ترانسفورماتورهای مقیاس بزرگ که برای پردازش زبان طبیعی (NLP) استفاده می‌شوند، بسط یافته است.

این کتاب، همراه شما برای یادگیری ماشین با پایتون است، خواه شما یک توسعه‌دهنده پایتون باشید که در یادگیری ماشینی تازه کار هستید یا می‌خواهید دانش خود را در مورد آخرین پیشرفت‌ها عمیق‌تر کنید.

یادگیری عمیق، اغلب به عنوان حوزه انحصاری دکترای ریاضی و شرکت‌های بزرگ فناوری در نظر گرفته می‌شود. اما همانطور که این راهنمای عملی نشان می‌دهد، برنامه‌نویسانی که با پایتون راحت هستند، می‌توانند با پیش‌زمینه ریاضی کم، مقدار کمی داده و حداقلی از کد به نتایج چشمگیری در یادگیری عمیق دست یابند. چگونه؟ با fastai که اولین کتابخانه ای است که رابطی منسجم را برای پر کاربرد‌ترین کاربرد‌های یادگیری عمیق ارائه می‌دهد.
نویسندگان کتاب Deep Learning for Coders with fastai and PyTorch (یادگیری عمیق برای کد نویسان با فستای و پایتورچ)، Jeremy Howard و Sylvain Gugger، خالقان fastai، به شما نشان می‌دهند که چگونه با استفاده از fastai و PyTorch یک مدل را در طیف وسیعی از وظایف آموزش دهید. همچنین برای به دست آوردن درک کاملی از الگوریتم‌های پشت صحنه، به تدریج بیشتر در تئوری یادگیری عمیق فرو خواهید رفت.

کلاس بندی مدل سازی پیش بینی، شامل تخصیص یک برچسب کلاس به یک نمونه است. این مبحث، احتمالا یکی از پر مطالعه‌ترین و پر استفاده‌ترین حوزه‌های یادگیری ماشین است. با این وجود، اکثر مدل‌ها برای یادگیری از داده‌های کلاس بندی و معیار‌ها برای ارزیابی آن‌ها فرض کرده اند که توزیع نمونه‌ها در بین برچسب‌های کلاس‌ها برابر هستند. این حوزه، بر روی ساده‌ترین شکل مسائل کلاس بندی که مسائل طبقه بندی متوازن هستند، متمرکز است.

کلاس بندی نامتوازن، آن دسته از کار‌های کلاس بندی است که در آن‌ها توزیع نمونه‌ها در بین کلاس‌ها برابر نیست. به طور معمول، توزیع کلاس به شدت منحرف است به طوری که برای هر نمونه در کلاس اقلیت، ممکن است صد یا حتی هزار نمونه در کلاس اکثریت وجود داشته باشد. طبقه بندی نامتوازن عملی، مستلزم استفاده از مجموعه ای از تکنیک‌های تخصصی، تکنیک‌های آماده سازی داده ها، الگوریتم‌های یادگیری و معیارهای عملکرد است. کتاب Imbalanced Classification with Python (کلاس بندی نامتوازن با پایتون)، طراحی شده است تا تا تکنیک‌های کلاس بندی نامتوازن را به صورت گام به گام و با مثال‌های ملموس و قابل اجرا در پایتون به شما آموزش می‌دهد.

هوش مصنوعی (AI) حوزه ای بزرگ است و این نیز یک کتاب بزرگ است. ما سعی کرده ایم تا وسعت کامل این رشته را که شامل منطق، احتمالات و ریاضیات پیوسته، ادراک، استدلال، یادگیری و عمل، انصاف، اعتماد، خیر اجتماعی و امنیت، و کاربرد هایی از دستگاه‌های میکرو الکترونیک و کاوشگران سیاره ای رباتیک گرفته تا خدمات آنلاین به میلیاردها کاربر را بررسی کنیم.

عنوان فرعی این کتاب «رویکردی مدرن» است. این بدان معنی است که ما داستان را از منظر فعلی تعریف کرده ایم. ما آنچه که اکنون شناخته شده را در یک چارچوب مشترک ترکیب می‌کنیم و کارهای اولیه را با استفاده از ایده‌ها و اصطلاحاتی که امروزه رایج است باز آفرینی می‌کنیم. ما از کسانی که زیرشاخه هایشان کمتر قابل تشخیص است عذرخواهی می‌کنیم.

کتاب Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition، جامع‌ترین و به روزترین مقدمه در مورد تئوری و کاربرد هوش مصنوعی است. ویرایش چهارم کتاب «هوش مصنوعی: یک رویکرد مدرن» به بررسی گستردگی و عمق حوزه هوش مصنوعی (AI) می‌پردازد. این ویرایش، خوانندگان را به جدید‌ترین فن آوری‌ها به روز می‌کند، مفاهیم را به روشی واحد‌تر ارائه می‌دهد و پوشش جدید و گسترده ای از یادگیری ماشین، یادگیری عمیق، انتقال یادگیری، سیستم‌های چند عاملی، رباتیک، پردازش زبان طبیعی، علیت، برنامه نویسی احتمالی، حریم خصوصی، انصاف و هوش مصنوعی امن ارائه می‌دهد.

این روزها، پایتون بدون شک یکی از مهمترین بسترهای استراتژیک فناوری در صنعت مالی است. هنگامی که شروع به نوشتن ویرایش اول این کتاب در سال 2013 می‌کردم، هنوز مکالمات و ارائه‌های زیادی داشتم که در آن بی وقفه بر سر مزیت‌های رقابتی پایتون در امور مالی نسبت به زبان‌ها و پلتفرم‌های دیگر بحث می‌کردم. اواخر سال 2018، این دیگر جای سوال نیست: موسسات مالی در سراسر جهان اکنون به سادگی سعی می‌کنند تا از پایتون و اکوسیستم قدرتمند آن، از جمله پکیج‌های تجزیه و تحلیل داده ها، مصور سازی و یادگیری ماشین بهترین استفاده را ببرند.
فراتر از حوزه مالی، همچنین در دوره‌های مقدماتی برنامه نویسی مانند برنامه‌های علوم کامپیوتر، اغلب پایتون زبان انتخابی است. فراتر از نحو خوانا و رویکرد چند پارادایمی آن، یک دلیل بزرگ برای این امر این است که پایتون به یک first class citizen در حوزه‌های هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) تبدیل شده است. بسیاری از محبوب‌ترین پکیج‌ها و کتابخانه‌ها در این حوزه‌ها یا مستقیماً با پایتون نوشته شده اند(مانند scikit-learn برای ML) یا دارای wrapper‌های پایتون هستند (مانند TensorFlow برای DL). 
خود دانش مالی وارد دوره جدیدی می‌شود و دو نیروی عمده این تحول را پیش می‌برند. اولین مورد، دسترسی برنامه نویسی به همه‌ی داده‌های مالی دردسترس است - به طور کلی، این اتفاق به صورت بلادرنگ رخ می‌دهد و همان چیزی است که منجر به دانش مالی داده محور می‌شود. دهه‌ها پیش، بیشتر تصمیمات مربوط به معاملات یا سرمایه گذاری توسط آنچه که بازرگانان و مدیران سرمایه گذاری می‌توانستند در روزنامه‌ها بخوانند یا از طریق مکالمات شخصی یاد بگیرند، پیش برده می‌شد. سپس ترمینال هایی آمدند که داده‌های مالی را از طریق کامپیوتر و ارتباطات الکترونیکی به صورت بلادرنگ به میز معامله گران و مدیران سهام می‌آوردند. امروزه، افراد (یا تیم ها) دیگر نمی‌توانند با حجم عظیم داده‌های مالی تولید شده حتی در یک دقیقه همگام شوند. فقط ماشین‌ها با سرعت پردازش و قدرت محاسباتی روز افزونشان، می‌توانند با حجم و سرعت داده‌های مالی همگام شوند. این بدان معناست که در بین چیز‌های دیگر، بیشتر حجم معاملات سهام جهانی امروز توسط الگوریتم‌ها و کامپیوتر‌ها انجام می‌شوند تا معامله گران انسانی.
دومین نیروی مهم، اهمیت روزافزون هوش مصنوعی در امور مالی است. بیشتر موسسات مالی سعی می‌کنند تا از الگوریتم‌های ML و DL برای بهبود عملیات و عملکرد تجاری و سرمایه گذاری خود استفاده کنند. در آغاز سال 2018، اولین کتاب اختصاصی در مورد «یادگیری ماشین دانش مالی» منتشر شد، که بر این trend تاکید می‌کرد. بدون تردید، چیز‌های بیشتری برای آمدن وجود دارند. این منجر به آنچه می‌شود که ممکن است AI-first finance نامیده شود، جایی که الگوریتم‌های انعطاف پذیر و قابل پارامتری شدن ML و DL، جایگزین تئوری مالی سنتی می‌شوند - نظریه ای که ممکن است زیبا باشد اما دیگر در دوره‌ی جدید دانش مالی اول-هوش مصنوعی و مبتنی بر داده، شاید بسیار مفید نباشد.
پایتون زبان برنامه نویسی و اکوسیستم مناسب برای از عهده بر آمدن چالش‌های این دوره از دانش مالی است. اگرچه این کتاب، الگوریتم‌های اساسی یادگیری ماشین برای یادگیری بدون نظارت و تحت نظارت (به عنوان مثال شبکه‌های عصبی عمیق) را شامل می‌شود، تمرکز آن بر روی توانایی‌های پردازش و تحلیل داده‌های پایتون است. برای دانستن کامل اهمیت هوش مصنوعی در امور مالی، اکنون و در آینده، کتاب دیگری لازم است. با این حال بیشتر تکنیک‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، به چنین حجم بزرگی از داده‌ها نیاز دارند که تسلط بر امور مالی داده محور باید به هر حال حرف اول را بزند.
کتاب Python for Finance: Mastering Data-Driven Finance 2nd Edition (پایتون برای دانش مالی: تسلط برای دانش مالی داده محور، ویرایش دوم)، برای پایتون 3 به روز شده است و به شما کمک می‌کند تا با زبان پایتون شروع به کار کنید و توسعه دهندگان و تحلیلگران کمی را برای ساخت برنامه‌های مالی و تحلیل‌های مالی تعاملی با کتابخانه‌ها و ابزار‌های پایتون راهنمایی می‌کند. نویسنده این کتاب، ایو هیلپیش (Yves Hilpisch)، با استفاده از مثال‌های عملی در سراسر کتاب، به شما نشان می‌دهد که چگونه یک چارچوب تمام عیار برای مشتقات مبتنی بر شبیه سازی مونت کارلو و تجزیه و تحلیل ریسک، براساس یک مورد مطالعاتی واقع بینانه و بزرگ، توسعه دهید. همچنین در بیشتر کتاب از Notebook‌های تعاملی IPython استفاده شده است.

ظهور حوزه شبکه‌های زایای دشمنگونه (GANs)، تولید تصاویر غیر قابل تشخیص از مجموعه داده‌های موجود را امکان پذیر کرده است. با استفاده از این کتاب عملی، شما نه تنها مهارت‌های تولید تصویر را پرورش خواهید داد، بلکه درک درستی از اصول اساسی نیز پیدا می‌کنید.
کتاب Hands-On Image Generation with TensorFlow (راهنمای عملی تولید تصویر با تنسورفلو)، با مقدمه ای بر مبانی تولید تصویر با استفاده از TensorFlow شروع می‌شود و Variational Autoencoders (VAEs) و GANs را شامل می‌شود. با انجام تعویض چهره با استفاده از deepfakes، انتقال سبک عصبی، ترجمه تصویر به تصویر، تبدیل تصاویر ساده به عکس‌های واقع گرایانه و موارد دیگر، به چگونگی ساخت مدل برای کاربرد‌های مختلفی پی خواهید برد. شما همچنین می‌فهمید که چرا و چگونه می‌توان پیشرفته‌ترین شبکه‌های عصبی عمیق را با استفاده از تکنیک‌های پیشرفته مانند نرمال سازی طیفی و لایه توجه به خود، قبل از کار با مدل‌های پیشرفته برای تولید و ویرایش چهره ساخت. همچنین با بازسازی عکس، سنتز متن به تصویر، هدفگذاری مجدد ویدئو و رندر عصبی نیز آشنا خواهید شد. در طول کتاب، شما می‌آموزید که مدل‌ها را از ابتدا در TensorFlow 2.x پیاده سازی کنید، از جمله PixelCNN، VAE، DCGAN، WGAN، pix2pix، CycleGAN، StyleGAN، GauGAN و BigGAN.
با به پایان رساندن این کتاب، شما در TensorFlow به خوبی تبحر پیدا خواهید کرد و می‌توانید فناوری‌های تولید تصویر را با اطمینان پیاده سازی کنید. کتاب Hands-On Image Generation with TensorFlow برای مهندسان، شاغلان و محققان یادگیری عمیق است که دانش اولیه ای در مورد شبکه‌های عصبی کانولوشن دارند و می‌خواهند تکنیک‌های مختلف تولید تصویر را با استفاده از TensorFlow 2.x بیاموزند. همچنین اگر یک متخصص پردازش تصویر یا مهندس بینایی ماشین هستید که به دنبال کاوش در معماری‌های پیشرفته برای بهبود و ارتقا تصاویر و فیلم‌ها هستید، این کتاب را مفید خواهید یافت. دانش Python و TensorFlow به شما کمک می‌کند تا بهترین نتیجه را از خواندن این کتاب بگیرید.

کتاب Linear Algebra and Optimization for Machine Learning (جبر خطی و بهینه سازی برای یادگیری ماشین)، جبر خطی و بهینه سازی را در زمینه یادگیری ماشین معرفی می‌کند. در کل کتاب، مثال‌ها و تمرینات زیادی ارائه شده است. همچنین یک حل المسائل برای تمرینات پایان هر فصل، در دسترس مدرسان قرار گرفته است. این کتاب، دانشجویان مقطع تحصیلات تکمیلی و اساتید علوم کامپیوتر، ریاضیات و علوم داده را هدف قرار داده است. دانشجویان برتر مقطع کارشناسی نیز می‌توانند از این کتاب استفاده کنند.

یک چالش مکرر که مبتدیان در یادگیری ماشین با آن روبرو هستند، پیش زمینه گسترده مورد نیاز در جبر خطی و بهینه سازی است. یک مشکل این است که دوره‌های جبر خطی و بهینه سازی موجود، فقط مخصوص یادگیری ماشین نیستند؛ بنابراین، معمولاً افراد باید بیشتر از آنچه برای یادگیری ماشین لازم است دوره بگذرانند و یاد بگیرند. علاوه بر این، انواع خاصی از ایده‌ها و ترفندهای بهینه سازی و جبر خطی، بیشتر از سایر تنظیمات برنامه-محور در یادگیری ماشین تکرار می‌شوند. بنابراین، در توسعه دید جبر خطی و بهینه سازی که با دید خاص یادگیری ماشین مناسب‌تر باشد، ارزش قابل توجهی وجود دارد.

فصل‌های کتاب جبر خطی و بهینه سازی برای یادگیری ماشین به شرح زیر است: ۱. جبر خطی و کاربردهای آن: این فصل‌ها بر مبانی جبر خطی همراه با کاربردهای رایج آنها در تجزیه مقدار‌های منفرد، تجزیه ماتریس، ماتریس‌های تشابه (روش‌های هسته) و تحلیل گراف متمرکز هستند. کاربرد‌های زیادی از یادگیری ماشین به عنوان مثال استفاده شده اند مانند خوشه بندی طیفی، طبقه بندی مبتنی بر هسته و تشخیص خارج از محدوده. تلفیق فشرده روش‌های جبر خطی با مثال هایی از یادگیری ماشین، این کتاب را از جلدهای عمومی در مورد جبر خطی متمایز می‌کند. تمرکز این کتاب، به وضوح بر مهم‌ترین جنبه‌های جبر خطی برای یادگیری ماشین و آموزش نحوه استفاده از این مفاهیم به خوانندگان است.

۲. بهینه سازی و کاربردهای آن: بخش عمده ای از یادگیری ماشین به عنوان یک مسئله بهینه سازی مطرح شده است که در آن سعی می‌کنیم دقت مدل‌های رگرسیون و طبقه بندی را به حداکثر برسانیم. «مسئله والدین» یادگیری ماشین بهینه سازی-محور، رگرسیون حداقل-مربعات است. جالب اینجاست که این مسئله هم در جبر خطی و هم در بهینه سازی به وجود می‌آید و یکی از اصلی‌ترین مشکلات اتصال این دو زمینه است. رگرسیون حداقل-مربعات، همچنین نقطه شروع برای پشتیبانی ماشین‌های برداری، رگرسیون منطقی و سیستم‌های توصیه گر است. علاوه بر این، روش‌های کاهش ابعاد و تجزیه ماتریس نیز به توسعه روش‌های بهینه سازی نیاز دارند. همچنین یک دید کلی از بهینه سازی در گراف‌های محاسباتی همراه با کاربردهای آن برای بازگشت انتشار در شبکه‌های عصبی مورد بحث قرار گرفته است.

الگوریتم‌های یادگیری ماشین، بر یادگیری ماشین عملی حکم فرما هستند. از آنجا که الگوریتم‌ها بخش بزرگی از یادگیری ماشین هستند، باید وقت بگذارید تا با آنها آشنا شوید و نحوه کار آنها را واقعاً بفهمید. من این کتاب را برای کمک به شما در شروع این سفر نوشتم.

شما می‌توانید الگوریتم‌های یادگیری ماشین را با استفاده از آمار، احتمال و جبر خطی توصیف کنید. توصیفات ریاضی بسیار دقیق و اغلب بدون ابهام است؛ اما این تنها راه توصیف الگوریتم‌های یادگیری ماشین نیست. هدف من از نوشتن این کتاب، توصیف الگوریتم‌های یادگیری ماشین برای توسعه دهندگان (مانند خودم) بود. ما به عنوان توسعه دهنده، به شکل رویه‌های قابل تکرار فکر می‌کنیم. بهترین روش برای توصیف یک الگوریتم یادگیری ماشین برای ما عبارتند از: ۱- از نظر نمایش استفاده شده توسط الگوریتم (اعداد واقعی ذخیره شده در یک فایل). ۲- از نظر رویه‌های قابل تکرار انتزاعی مورد استفاده توسط الگوریتم برای یادگیری یک مدل از داده‌ها و بعد برای انجام پیش بینی‌ها با مدل. ۳- با مثال‌های واضحی که دقیقا نشان می‌دهند که چگونه اعداد واقعی در معادلات قرار گرفته می‌شوند و چه اعدادی را باید به عنوان خروجی انتظار داشت.

کتاب Master Machine Learning Algorithms، به شما 10 الگوریتم قدرتمند یادگیری ماشین را از ابتدا یاد می‌دهد. توسعه دهندگان با ترکیبی از توصیف الگوریتم‌ها و مثال‌های عملی، بهتر یاد می‌گیرند. این کتاب برای آموزش الگوریتم‌های یادگیری ماشین به توسعه دهندگان به دقت طراحی شده است. این کتاب هم شامل توصیف‌های رویه ای الگوریتم‌های یادگیری ماشین و هم آموزش‌های گام به گام است که به شما نشان می‌دهد که دقیقاً چگونه می‌توانید اعداد را در معادلات مختلف وارد کنید و دقیقاً چه اعدادی را در طرف دیگر انتظار داشته باشید. این کتاب برای پرده برداشتن از الگوریتم‌های یادگیری ماشین نوشته شده است تا چیزی پنهان نماند.

این کتاب صحبت‌های ریاضی در مورد الگوریتم‌های یادگیری ماشین را کوتاه می‌کند و دقیقاً نحوه کار آنها را به شما نشان می‌دهد تا بتوانید آنها را خودتان در spreadsheet، کد‌های زبان برنامه نویسی مورد علاقه خودتان یا هر طور که دوست دارید پیاده سازی کنید. هنگامی که این دانش صمیمی را دارا شوید، همیشه با شما خواهد بود. شما می‌توانید الگوریتم‌ها را بارها و بارها پیاده سازی کنید. از همه مهمتر، شما می‌توانید رفتار یک الگوریتم را به روند زیرین آن برگردانید و واقعاً بدانید چه خبر است و چگونه می‌توانید از آن بیشترین بهره را ببرید.

الگوریتم‌های یادگیری ماشین، ریاضیات و تئوری‌های زیادی در پشت صحنه دارند؛ اما نیازی نیست که بدانید الگوریتم‌ها چگونه کار می‌کنند تا بتوانید آنها را پیاده سازی و برای دستیابی به نتایج واقعی و ارزشمند از آنها استفاده کنید. از منظر کاربردی، یادگیری ماشین زمینه ای کم عمق است و یک توسعه دهنده با انگیزه می‌تواند به سرعت آن را انتخاب کند و مشارکت‌های واقعی و تأثیرگذاری را شروع کند. این هدف من برای شماست و این کتاب بلیط شما برای رسیدن به نتیجه است.

کتاب Machine Learning Algorithms From Scratch With Python، راهنمای شما برای یادگیری جزئیات الگوریتم‌های یادگیری ماشین از طریق پیاده سازی آنها از صفر با زبان پایتون است. شما نحوه بارگذاری داده ها، ارزیابی مدل‌ها و پیاده سازی مجموعه ای از الگوریتم‌های برتر یادگیری ماشین را با استفاده از آموزش‌های گام به گام و نمونه کد‌های پایتون خالص و ساده (بدون کتابخانه!) بررسی خواهید کرد.

یادگیری ماشین (ML) رویکردی محبوب برای حل انواع مختلفی از مسائل است. ML به شما امکان می‌دهد تا بدون دانستن الگوریتمی سر راست برای حل مسائل، کار‌های مختلفی انجام دهید. ویژگی اصلی الگوریتم‌های یادگیری ماشین، توانایی آنها در یادگیری راه حل‌ها با استفاده از مجموعه ای از نمونه‌های آموزشی یا حتی بدون آنها است. امروزه، یادگیری ماشین رویکردی گسترده است که در زمینه‌های مختلف صنعت استفاده می‌شود. نمونه هایی از زمینه هایی که یادگیری ماشین از الگوریتم‌های سر راست کلاسیک بهتر عمل می‌کند، شامل بینایی ماشین، پردازش زبان طبیعی و سیستم‌های توصیه گر است. در کتاب Hands-On Machine Learning with C++، الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت را با استفاده از کتابخانه‌های سی پلاس پلاس مانندPyTorch C++ API ، Caffe2، Shogun،Shark-ML ، mlpack و dlib، و با کمک مثال‌ها و مجموعه داده‌های واقعی پیاده سازی خواهید کرد.

زبان ++C می‌تواند باعث شود که مدل‌های یادگیری ماشین شما سریعتر و کارآمدتر اجرا شوند. این راهنمای مفید به شما کمک می‌کند تا اصول یادگیری ماشین (ML) را بیاموزید و به شما نشان می‌دهد که چگونه از کتابخانه‌های سی پلاس پلاس برای بهره برداری بیشتر از داده‌های خود استفاده کنید. این کتاب با رویکرد مثال محور خود، یادگیری ماشین را با زبان سی پلاس پلاس برای مبتدیان آسان می‌کند و نشان می‌دهد که چگونه می‌توان الگوریتم‌های یادگیری ماشین تحت نظارت و نظارت نشده را از طریق مثال‌های واقعی پیاده سازی کرد.

این کتاب با تنظیم و بهینه سازی یک مدل برای موارد استفاده مختلف، به شما در انتخاب مدل و اندازه گیری عملکرد کمک می‌کند. شما با استفاده از کتابخانه‌های مدرن ++C مانند PyTorch C++ API، Caffe2، Shogun، Shark-ML، mlpack و dlib، تکنیک هایی مانند توصیه‌های محصول، یادگیری گروهی و تشخیص ناهنجاری را یاد خواهید گرفت. در ادامه، شما با استفاده از مثال هایی مانند طبقه بندی تصویر و تحلیل احساسات، شبکه‌های عصبی و یادگیری عمیق را بررسی خواهید کرد که به شما در حل مسائل مختلف کمک می‌کنند. همچنین، قبل از بررسی نحوه وارد کردن و صادر کردن مدل‌ها با استفاده از قالب ONNX، یاد خواهید گرفت که چگونه چالش‌های تولید و استقرار را در پلتفرم‌های همراه و ابری مدیریت کنید. با به پایان رساندن این کتاب، شما دانش واقعی سی پلاس پلاس و یادگیری ماشین و همچنین مهارت‌های استفاده از سی پلاس پلاس برای ساختن سیستم‌های قدرتمند یادگیری ماشین را در اختیار خواهید داشت.

اگر می‌خواهید با الگوریتم‌ها و تکنیک‌های یادگیری ماشین با استفاده از زبان محبوب ++C شروع به کار کنید، این کتاب یادگیری ماشین با سی پلاس پلاس برای شما مفید خواهد بود. این کتاب علاوه بر اینکه اولین دوره مفید در یادگیری ماشین با ++C است، همچنین برای تحلیل گران داده، دانشمندان داده و توسعه دهندگان یادگیری ماشین جذاب خواهد بود که به دنبال پیاده سازی مدل‌های مختلف یادگیری ماشین در تولید با استفاده از مجموعه داده‌ها و مثال‌های مختلف هستند. دانش پایه زبان برنامه نویسی سی پلاس پلاس برای شروع کار با این کتاب ضروری است.

هوش مصنوعی (AI) حوزه ای بزرگ است و این نیز یک کتاب بزرگ است. ما سعی کرده ایم تا وسعت کامل این رشته را که شامل منطق، احتمالات و ریاضیات پیوسته، ادراک، استدلال، یادگیری و عمل، انصاف، اعتماد، خیر اجتماعی و امنیت، و کاربرد هایی از دستگاه‌های میکرو الکترونیک و کاوشگران سیاره ای رباتیک گرفته تا خدمات آنلاین به میلیاردها کاربر را بررسی کنیم.

عنوان فرعی این کتاب «رویکردی مدرن» است. این بدان معنی است که ما داستان را از منظر فعلی تعریف کرده ایم. ما آنچه که اکنون شناخته شده را در یک چارچوب مشترک ترکیب می‌کنیم و کارهای اولیه را با استفاده از ایده‌ها و اصطلاحاتی که امروزه رایج است باز آفرینی می‌کنیم. ما از کسانی که زیرشاخه هایشان کمتر قابل تشخیص است عذرخواهی می‌کنیم.

کتاب Artificial Intelligence: A Modern Approach, 4th Edition، جامع‌ترین و به روزترین مقدمه در مورد تئوری و کاربرد هوش مصنوعی است. ویرایش چهارم کتاب «هوش مصنوعی: یک رویکرد مدرن» به بررسی گستردگی و عمق حوزه هوش مصنوعی (AI) می‌پردازد. این ویرایش، خوانندگان را به جدید‌ترین فن آوری‌ها به روز می‌کند، مفاهیم را به روشی واحد‌تر ارائه می‌دهد و پوشش جدید و گسترده ای از یادگیری ماشین، یادگیری عمیق، انتقال یادگیری، سیستم‌های چند عاملی، رباتیک، پردازش زبان طبیعی، علیت، برنامه نویسی احتمالی، حریم خصوصی، انصاف و هوش مصنوعی امن ارائه می‌دهد.

ارزش یادگیری ماشین (ML) در امور مالی هر روز آشکارتر می‌شود. انتظار می‌رود که یادگیری ماشین برای عملکرد بازارهای مالی بسیار مهم شود. تحلیلگران، مدیران پورتفولیو، بازرگانان و مدیران ارشد سرمایه گذاری، همه باید با تکنیک‌های ML آشنا باشند. برای بانک‌ها و سایر موسسات مالی که در تلاشند تا تجزیه و تحلیل مالی را بهبود بخشند، فرآیندها را ساده کنند و امنیت را افزایش دهند، ML به فناوری منتخب تبدیل شده است. استفاده از ML در موسسات روند رو به افزایشی دارد و پتانسیل آن برای بهبود سیستم‌های مختلف را می‌توان در استراتژی‌های معاملاتی، قیمت گذاری و مدیریت ریسک مشاهده کرد.

اگرچه یادگیری ماشین در تمام بخش‌های صنعت خدمات مالی پیشرفت قابل توجهی کرده است، اما بین ایده‌ها و اجرای الگوریتم‌های یادگیری ماشین شکافی وجود دارد. درباره این حوزه‌ها انبوهی از مطالب در وب در دسترس است، اما بسیار کم سازماندهی شده اند. علاوه بر این، بیشتر مطالب فقط به الگوریتم‌های تجارت محدود است. کتاب «نقشه‌های یادگیری ماشین و علم داده برای امور مالی» این خلا را پر می‌کند و یک جعبه ابزار یادگیری ماشین سفارشی شده برای بازار‌های مالی را فراهم می‌کند که به خوانندگان اجازه می‌دهد تا بخشی از انقلاب یادگیری ماشین باشند. این کتاب محدود به استراتژی‌های سرمایه گذاری یا معاملاتی نیست، بلکه بر روی استفاده از هنر و صنعت ساخت الگوریتم‌های مبتنی بر ML تمرکز دارد که در صنعت مالی بسیار مهم هستند.

پیاده سازی مدل‌های یادگیری ماشین در امور مالی آسانتر از آن است که عموم تصور می‌کنند. همچنین یک تصور غلط وجود دارد که برای ساخت مدل‌های یادگیری ماشین به کلان داده نیاز است. موارد مطالعاتی در این کتاب تقریباً تمام زمینه‌های یادگیری ماشین را دربر می‌گیرد و هدف آنها مدیریت چنین باورهای غلطی است. این کتاب نه تنها تئوری و موارد مطالعاتی مربوط به استفاده از ML در استراتژی‌های تجاری را پوشش می‌دهد، بلکه در سایر مفاهیم مهم «نیاز به دانستن» مانند مدیریت پورتفولیو، قیمت گذاری مشتقه، تشخیص کلاه برداری، رتبه بندی اعتبار شرکت ها، توسعه مشاور robo و توسعه chatbot نیز ورود می‌کند. این کتاب مسائل واقعی را که متخصصان با آن روبرو هستند را بررسی می‌کند و راه حل‌های علمی معتبری را ارائه می‌دهد که بر کد‌ها و مثال‌ها متکی هستند.

روند توسعه مدل‌های پیش بینی مراحل زیادی را شامل می‌شود. بیشتر منابع بر روی الگوریتم‌های مدل سازی متمرکز هستند اما از سایر جنبه‌های مهم فرآیند مدل سازی غافل شده اند. این کتاب، تکنیک هایی را برای یافتن بهترین بازنمایی‌های پیش بینی کننده برای مدل سازی و یافتن بهترین زیر مجموعه پیش بینی کننده‌ها برای بهبود عملکرد مدل بیان می‌کند. همچنین انواع مختلفی از مجموعه داده‌های نمونه برای نشان دادن تکنیک‌ها همراه با برنامه‌های R برای باز تولید نتایج استفاده می‌شود.
اهداف کتاب Feature Engineering and Selection، ارائه ابزار هایی برای بازنمایی مجدد پیش بینی کننده ها، قرار دادن این ابزارها در زمینه یک چارچوب خوب مدل سازی پیش بینی و انتقال تجربیات ما در استفاده از این ابزارها در عمل است. در پایان، امیدواریم که این ابزارها و تجربیات ما به شما در تولید مدل‌های بهتر کمک کنند.

در عصر اینترنت اشیا (IoT)، تعداد بسیار زیادی از دستگاه‌های سنجش، داده‌های حسی مختلفی را برای طیف وسیعی از برنامه‌ها در طول زمان جمع آوری و تولید می‌کنند. این داده‌ها عمدتا از جریان‌های بزرگ، سریع و بلادرنگ مبتنی بر برنامه‌ها تشکیل شده اند. استفاده از تجزیه و تحلیل در رابطه با چنین داده‌های بزرگی یا جریان‌های داده برای یادگیری اطلاعات جدید، پیش بینی آینده نگرانه و تصمیم گیری آگاهانه بسیار مهم است و IoT را به الگویی شایسته برای مشاغل و فناوری‌های بهبود دهنده کیفیت زندگی تبدیل می‌کند.

هوش مصنوعی به سرعت در حال رشد است که ناشی از پیشرفت در شبکه‌های عصبی (NN) و یادگیری عمیق (DL) است. با افزایش سرمایه گذاری در شهرهای هوشمند، مراقبت‌های بهداشتی هوشمند و اینترنت اشیا (IoT) صنعتی، تجاری سازی اینترنت اشیا به زودی در اوج خواهد بود که در آن مقادیر زیادی از داده‌های تولید شده توسط دستگاه‌های اینترنت اشیا نیاز به پردازش در مقیاس بزرگ دارند.

این کتاب برای تسهیل کردن تجزیه و تحلیل و یادگیری در برنامه‌های مختلف اینترنت اشیا، مروری کامل از یک کلاس از تکنیک‌های پیشرفته یادگیری ماشین به نام یادگیری عمیق (DL) را برای شما فراهم می‌کند. کتاب «یادگیری عمیق عملی برای اینترنت اشیا»، دید عمیق‌تری را در مورد داده‌های اینترنت اشیا فراهم می‌کند، که با معرفی چگونگی متناسب سازی DL در زمینه هوشمند سازی برنامه‌های اینترنت اشیا، آغاز می‌شود. سپس چگونگی ساخت معماری‌های عمیق با استفاده از TensorFlow، Keras و Chainer برای IoT را پوشش می‌دهد.

شما خواهید آموخت که چگونه شبکه‌های عصبی کانولشنال (CNN) را برای توسعه برنامه هایی برای تشخیص مبتنی بر تصویر دست انداز‌های جاده ای و تفکیک هوشمند زباله‌ها آموزش دهید و به دنبال آن کنترل نور هوشمند صوتی و مکانیسم‌های دسترسی به منزل را با استفاده از شبکه‌های عصبی بازگشتی (RNN) آغاز کنید. شما با استفاده از خود رمز گذار ها، DeepFi و شبکه‌های LSTM به برنامه‌های اینترنت اشیا برای محلی سازی داخلی، نگهداری قابل پیشبینی و مکان یابی تجهیزات در یک بیمارستان بزرگ تسلط خواهید یافت. علاوه بر این، با امنیت تقویت شده اینترنت اشیا، توسعه برنامه اینترنت اشیا را برای مراقبت‌های بهداشتی یاد خواهید گرفت.

یادگیری ماشین می‌تواند جادویی به نظر برسد. چگونه یک کامپیوتر می‌تواند اشیا موجود در یک تصویر را تشخیص دهد؟ چگونه اتومبیل می‌تواند خودش رانندگی کند؟ این شاهکار‌ها گیج کننده هستند؛ نه تنها برای عموم مردم، بلکه برای بسیاری از توسعه دهندگان نرم افزار مانند من و شما. حتی پس از سال‌ها کد نویسی، من نمی‌دانستم که چگونه یادگیری ماشین کار می‌کند. در حالی که من با جدیدترین چارچوب وب سر و کله می‌زدم، کسی آن بیرون در حال نوشتن نرم افزاری شگفت انگیز بود که به نظر می‌رسید علمی تخیلی است؛ و من حتی نمی‌توانستم آن را درک کنم. من می‌خواستم که وارد عمل بشوم. من می‌خواستم که خودم بتوانم آن چیزها را بسازم.

کتاب «برنامه نویسی یادگیری ماشین» برای توسعه دهندگانی است که می‌خواهند یادگیری ماشین را از ابتدا یاد بگیرند. یادگیری ماشین، حوزه‌ی گسترده ای است و هیچ کتابی نمی‌تواند همه آن را پوشش دهد. ما بر روی سه جنبه از یادگیری ماشین که امروزه مهمتر هستند تمرکز خواهیم کرد: یادگیری تحت نظارت، شبکه‌های عصبی و یادگیری عمیق.

یادگیری تحت نظارت، نوع خاصی از یادگیری ماشین است. یادگیری ماشین چند طعم مختلف دارد، اما یادگیری تحت نظارت امروزه محبوب‌ترین است. بخش اول این کتاب، از صفر تا تشخیص تصویر، یک آموزش عملی یادگیری تحت نظارت است. در طی چند فصل، ما حداقل یک برنامه یادگیری خواهیم نوشت. سپس این برنامه را گام به گام تکمیل خواهیم کرد، و به تدریج آن را به یک سیستم یادگیری ماشین به نام پرسپترون تبدیل خواهیم کرد. پرسپترون ما یک برنامه بینایی ماشین واقعی خواهد بود که به اندازه کافی برای شناسایی کاراکتر‌های دست خط قدرتمند است.

روشهای زیادی برای پیاده سازی سیستم یادگیری تحت نظارت وجود دارد. مشهورترین آنها شبکه عصبی است؛ الگوریتمی برجسته که به راحتی از اتصالات نورون‌ها در مغز ما الهام گرفته شده است. بخش دوم این کتاب به شبکه‌های عصبی اختصاص دارد. ما برنامه نوشته شده در بخش اول را به یک شبکه عصبی تمام عیار تبدیل خواهیم کرد. در طی این مسیر ما باید بر چندین چالش غلبه کنیم، اما نتیجه نهایی ارزش آن را خواهد داشت: شبکه عصبی نهایی بسیار قدرتمندتر از برنامه نوپایی است که ما با آن شروع می‌کنیم. یک بار دیگر تاکید می‌کنم که کد‌ها را خط به خط خودمان می‌نویسیم و ساز و کار داخلی آن برای این که شما با آن‌ها کار کنید باز خواهد بود.

شبکه‌های عصبی در سال‌های اخیر، از هنگامی که محققان برای طراحی و استفاده از آنها به تکنیک‌های موفقیت آمیزی دست یافتند، از پیشرفت چشمگیری برخوردار شدند. این فناوری پیشرفته بسیار قدرتمندتر از شبکه‌های عصبی ساده قدیمی است؛ به حدی که نامی به خود اختصاص داد: یادگیری عمیق. این عنوان بخش سوم این کتاب است. در این بخش، ما با استفاده از یک کتابخانه یادگیری ماشین مدرن، شبکه عصبی خود را خواهیم نوشت. سرانجام، هنگام جمع بندی کتاب، نگاهی خواهیم انداخت به چند تکنیک پیشرفته یادگیری عمیق، که راه را برای کاوش‌های آینده شما هموار می‌کند.