🤖 یادگیری عملی Machine Learning و Deep Learning با Python

🚀 مجموعه‌ای از پیشرفت‌های اخیر در Deep Learning باعث شده کل حوزه Machine Learning رشد چشمگیری پیدا کنه. حالا حتی برنامه‌نویس‌هایی که تقریباً هیچ شناختی از این فناوری ندارن هم میتونن با ابزارهای ساده و کارآمد، برنامه‌هایی بسازن که قابلیت یادگیری از داده‌ها را دارن. این کتاب پرفروش با استفاده از مثال‌های ملموس، حداقل مباحث نظری و Frameworkهای آماده استفاده در محیط واقعی Python، یعنی scikit-learn، Keras و TensorFlow، کمک میکنه درکی شهودی از مفاهیم و ابزارهای موردنیاز برای ساخت سیستم‌های هوشمند به دست بیاری.

📘 در این ویرایش سوم و به‌روزشده، نویسنده کتاب، Aurélien Géron، مجموعه گسترده‌ای از تکنیک‌ها را بررسی میکنه؛ مسیری که از Linear Regression ساده شروع میشه و تا شبکه‌های عصبی عمیق ادامه پیدا میکنه. مثال‌های کدنویسی و تمرین‌های متعدد در سراسر کتاب کمک میکنن مطالبی را که یاد گرفتی در عمل به کار بگیری. برای شروع مطالعه این کتاب، فقط داشتن تجربه برنامه‌نویسی کافیه.

✨ ویژگی‌های کلیدی

🛠️ یک پروژه کامل Machine Learning را با scikit-learn از ابتدا تا انتها دنبال میکنی و با مراحل واقعی ساخت یک سیستم هوشمند آشنا میشی.

🧠 مدل‌هایی مثل Support Vector Machines، Decision Trees، Random Forests و روش‌های Ensemble Learning را بررسی میکنی.

🧩 با روش‌های Unsupervised Learning مثل کاهش ابعاد، Clustering و تشخیص ناهنجاری آشنا میشی.

🔗 معماری‌هایی مثل CNN، RNN، GAN، Transformer، Autoencoder و Diffusion Model را به‌صورت کاربردی یاد میگیری.

⚙️ با TensorFlow و Keras شبکه‌های عصبی را برای Computer Vision، پردازش زبان طبیعی، مدل‌های مولد و Deep Reinforcement Learning میسازی، آموزش میدی و در مقیاس بالا مستقر میکنی.

📘 توضیح کتاب

📚 هدف کتاب اینه که مفاهیم، ابزارها و درک شهودی لازم برای ساخت برنامه‌هایی را ارائه بده که میتونن از داده‌ها یاد بگیرن. برای شروع به دانش قبلی گسترده درباره Machine Learning نیاز نیست و داشتن تجربه برنامه‌نویسی با Python کفایت میکنه.

🔍 مطالب از روش‌های ساده و پرکاربردی مثل Linear Regression آغاز میشن و به‌تدریج به تکنیک‌های پیشرفته Deep Learning میرسن؛ همان روش‌هایی که در بسیاری از رقابت‌ها و پروژه‌های واقعی استفاده میشن.

🧪 مثال‌های کدنویسی متعدد و تمرین‌های کتاب کمک میکنن مفاهیم فقط در حد تئوری باقی نمونن. در طول مسیر، نحوه انتخاب، آموزش و ارزیابی مدل‌های مختلف را در قالب مسئله‌های عملی تجربه میکنی.

🐍 کتاب از scikit-learn به‌عنوان نقطه شروع استفاده میکنه؛ Framework ساده و کارآمدی که مجموعه بزرگی از الگوریتم‌های Machine Learning را در اختیار برنامه‌نویس‌ها قرار میده.

🧠 در ادامه، TensorFlow برای محاسبات عددی توزیع‌شده و آموزش شبکه‌های عصبی بزرگ معرفی میشه. Keras هم به‌عنوان یک API سطح بالا، فرایند ساخت، آموزش و اجرای شبکه‌های عصبی را ساده‌تر میکنه.

🎯 بعد از مطالعه کتاب، دید جامعی نسبت به فرایند ساخت سیستم‌های مبتنی بر داده به دست میاری و میتونی از مدل‌های کلاسیک Machine Learning تا شبکه‌های عصبی پیشرفته را برای پروژه‌های واقعی پیاده‌سازی و در مقیاس بالا اجرا کنی.

🎯 چیزهایی که یاد میگیری

🛠️ یاد میگیری یک پروژه Machine Learning را با scikit-learn از آماده‌سازی داده تا ارزیابی مدل پیش ببری.

📈 با Linear Regression، Classification و روش‌های آموزش مدل‌ها آشنا میشی.

🌳 یاد میگیری از Decision Trees، Random Forests و Ensemble Learning برای حل مسئله‌های مختلف استفاده کنی.

🧩 میتونی کاهش ابعاد، Clustering و تشخیص ناهنجاری را در پروژه‌های Unsupervised Learning به کار بگیری.

🧠 با Keras و TensorFlow شبکه‌های عصبی عمیق را میسازی و آموزش میدی.

👁️ یاد میگیری از CNNها برای Computer Vision و از RNNها، CNNها و Attention برای پردازش دنباله‌ها و زبان طبیعی استفاده کنی.

🎨 با Autoencoderها، GANها و Diffusion Modelها آشنا میشی و نحوه کار با مدل‌های مولد را درک میکنی.

🌐 میتونی مدل‌های TensorFlow را با چند GPU آموزش بدی و با استفاده از Google Vertex AI در مقیاس بالا مستقر کنی.

👤 این کتاب برای چه کسانیه؟

💻 این کتاب برای برنامه‌نویس‌هایی مناسبه که به Machine Learning و Deep Learning علاقه دارن و میخوان از داده‌ها برای ساخت سیستم‌های هوشمند، تحلیل اطلاعات یا حل مسئله‌های واقعی استفاده کنن.

🏢 مطالب کتاب برای پروژه‌هایی مثل بخش‌بندی مشتریان، طراحی سیستم پیشنهاد محصول، تشخیص تراکنش‌های مشکوک، پیش‌بینی درآمد، تشخیص چهره و توسعه ربات‌های هوشمند کاربرد داره.

📌 برای شروع، تجربه برنامه‌نویسی با Python و آشنایی با کتابخانه‌های اصلی علمی آن، به‌ویژه NumPy، Pandas و Matplotlib لازمه. آشنایی در سطح دانشگاهی با حسابان، جبر خطی، احتمال و آمار هم برای درک جزئیات داخلی الگوریتم‌ها مفیده.

📖 فهرست مطالب

بخش اول. مبانی Machine Learning

فصل ۱. چشم‌انداز Machine Learning

فصل ۲. پروژه سرتاسری Machine Learning

فصل ۳. Classification

فصل ۴. آموزش مدل‌ها

فصل ۵. Support Vector Machines

فصل ۶. Decision Trees

فصل ۷. Ensemble Learning و Random Forests

فصل ۸. کاهش ابعاد

فصل ۹. تکنیک‌های Unsupervised Learning

بخش دوم. شبکه‌های عصبی و Deep Learning

فصل ۱۰. مقدمه‌ای بر شبکه‌های عصبی مصنوعی با Keras

فصل ۱۱. آموزش شبکه‌های عصبی عمیق

فصل ۱۲. مدل‌های سفارشی و آموزش با TensorFlow

فصل ۱۳. بارگذاری و پیش‌پردازش داده‌ها با TensorFlow

فصل ۱۴. Deep Computer Vision با استفاده از شبکه‌های عصبی کانولوشنی

فصل ۱۵. پردازش دنباله‌ها با استفاده از RNNها و CNNها

فصل ۱۶. پردازش زبان طبیعی با RNNها و Attention

فصل ۱۷. Autoencoderها، GANها و Diffusion Modelها

فصل ۱۸. Reinforcement Learning

فصل ۱۹. آموزش و استقرار مدل‌های TensorFlow در مقیاس بالا

👤 درباره نویسنده

🧠 Aurélien Géron مشاور Machine Learning و از کارکنان سابق Google است. او از سال ۲۰۱۳ تا ۲۰۱۶ هدایت تیم طبقه‌بندی ویدئوهای YouTube را بر عهده داشت.

🏢 Géron از سال ۲۰۰۲ تا ۲۰۱۲ هم‌بنیان‌گذار و CTO شرکت Wifirst، یکی از ارائه‌دهندگان مطرح خدمات اینترنت بی‌سیم در فرانسه بود. او در سال ۲۰۰۱ نیز به‌عنوان هم‌بنیان‌گذار و CTO شرکت مشاوره مخابراتی Polyconseil فعالیت کرد.

⚙️ او به‌عنوان مهندس در حوزه‌های مختلفی از جمله امور مالی در JP Morgan و Société Générale، صنایع دفاعی در Canada’s DOD و حوزه سلامت و انتقال خون سابقه فعالیت داره.

📚 Géron چند کتاب تخصصی درباره C++، WiFi و معماری‌های اینترنت منتشر کرده و سابقه تدریس علوم کامپیوتر در یکی از مدارس مهندسی فرانسه را هم داره.

🧬 او پیش از ورود به مهندسی نرم‌افزار، Microbiology و Evolutionary Genetics مطالعه کرده بود. از نکات جالب زندگی او اینه که به سه فرزندش شمارش دودویی با انگشتان تا عدد ۱۰۲۳ را آموزش داده است.

Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This best-selling book uses concrete examples, minimal theory, and production-ready Python frameworks--scikit-learn, Keras, and TensorFlow--to help you gain an intuitive understanding of the concepts and tools for building intelligent systems. 

With this updated third edition, author Aurelien Geron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started. 

•  Use scikit-learn to track an example machine learning project end to end

•  Explore several models, including support vector machines, decision trees, random forests, and ensemble methods

•  Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection

•  Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, and transformers

•  Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning

•  Train neural nets using multiple GPUs and deploy them at scale using Google's Vertex AI

Table of Contents

Part I. The Fundamentals of Machine Learning

Chapter 1. The Machine Learning Landscape

Chapter 2. End-to-End Machine Learning Project Chapter 3. Classification

Chapter 4. Training Models

Chapter 5. Support Vector Machines

Chapter 6. Decision Trees

Chapter 7. Ensemble Learning and Random Forests

Chapter 8. Dimensionality Reduction

Chapter 9. Unsupervised Learning Techniques

Part II. Neural Networks and Deep Learning

Chapter 10. Introduction to Artificial Neural Networks with Keras

Chapter 11. Training Deep Neural Networks

Chapter 12. Custom Models and Training with TensorFlow

Chapter 13. Loading and Preprocessing Data with TensorFlow

Chapter 14. Deep Computer Vision Using Convolutional Neural Networks

Chapter 15. Processing Sequences Using RNNs and CNNs

Chapter 16. Natural Language Processing with RNNs and Attention

Chapter 17. Autoencoders, GANs, and Diffusion Models

Chapter 18. Reinforcement Learning

Chapter 19. Training and Deploying TensorFlow Models at Scale

About this Book

Machine Learning in Your Projects

So, naturally you are excited about Machine Learning and would love to join the party! Perhaps you'd like to give your homemade robot a brain of its own? Make it recognize faces? Or learn to walk around? Or maybe your company has tons of data (user logs, financial data, production data, machine sensor data, hotline stats, HR reports, etc.), and more than likely you could unearth some hidden gems if you just knew where to look. With Machine Learning, you can accomplish the following & much more:

•  Segment customers and find the best marketing strategy for each group.

•  Recommend products for each client based on what similar clients bought.

•  Detect which transactions are likely to be fraudulent.

•  Forecast next year’s revenue.

Objective and Approach

This book assumes that you know close to nothing about Machine Learning. Its goal is to give you the concepts, tools, and intuition you need to implement programs capable of learning from data.

We will cover a large number of techniques, from the simplest and most commonly used (such as Linear Regression) to some of the Deep Learning techniques that regularly win competitions. For this, we will be using production-ready Python frameworks:

•  Scikit-Learn is very easy to use, yet it implements many Machine Learning algorithms efficiently, so it makes for a great entry point to learning Machine Learning.

•  TensorFlow is a more complex library for distributed numerical computation. It makes it possible to train and run very large neural networks efficiently by distributing the computations across potentially hundreds of multi-GPU (graphics processing unit) servers. TensorFlow (TF) was created at Google and supports many of its large-scale Machine Learning applications.

•  Keras is a high-level Deep Learning API that makes it very simple to train and run neural networks. Keras comes bundled with TensorFlow, and it relies on TensorFlow for all the intensive computations.

Prerequisites

This book assumes that you have some Python programming experience and that you are familiar with Python’s main scientific libraries, in particular NumPy, Pandas, and Matplotlib.

Also, if you care about what’s under the hood, you should have a reasonable understanding of college-level math as well (calculus, linear algebra, probabilities, and statistics).

About the Author

Aurélien Géron is a Machine Learning consultant. A former Googler, he led YouTube's video classification team from 2013 to 2016. He was also a founder and CTO of Wifirst from 2002 to 2012, a leading Wireless ISP in France, and a founder and CTO of Polyconseil in 2001, a telecom consulting firm.

Before this he worked as an engineer in a variety of domains: finance (JP Morgan and Société Générale), defense (Canada’s DOD), and healthcare (blood transfusion). He published a few technical books (on C++, WiFi, and Internet architectures), and was a Computer Science lecturer in a French engineering school.

A few fun facts: he taught his 3 children to count in binary with their fingers (up to 1023), he studied microbiology and evolutionary genetics before going into software engineering, and his parachute didn’t open on the 2nd jump.