Real-World Machine Learning یک راهنمای عملی برای توسعه‌دهندگانی است که می‌خواهند وارد دنیای واقعی یادگیری ماشین شوند. این کتاب بدون ورود بیش از حد به تئوری‌های انتزاعی و ریاضیات پیچیده، شما را با فرآیندهای روزمره توسعه و پیاده‌سازی پروژه‌های ML آشنا می‌کند و برای ساخت و نگهداری سیستم‌های یادگیری ماشین قدرتمند آماده می‌سازد.

🔍 درباره فناوری

سیستم‌های یادگیری ماشین به شما کمک می‌کنند الگوها و بینش‌هایی را در داده‌ها کشف کنید که با روش‌های سنتی قابل شناسایی نیستند. در دنیای واقعی، الگوریتم‌های ML برای تشخیص روندها، پیش‌بینی رفتارها، و ارائه پیشنهادهای مبتنی بر داده‌ها به‌کار می‌روند. این حوزه نه‌تنها پررونق، بلکه در حال رشد است و متخصصان آن بسیار مورد تقاضا هستند.

📘 درباره کتاب

Real-World Machine Learning به شما مفاهیم و تکنیک‌هایی را می‌آموزد که برای تبدیل‌شدن به یک توسعه‌دهنده موفق در حوزه یادگیری ماشین نیاز دارید—بدون پیچیدگی‌های تئوریک آکادمیک. با مثال‌های کاربردی و فوری در زبان Python، مهارت‌هایی همچون موارد زیر را خواهید آموخت:

• جمع‌آوری داده و مدلسازی
• طبقه‌بندی (Classification) و رگرسیون (Regression)
• اعتبارسنجی مدل (Model Validation)
• بهینه‌سازی عملکرد
• مقیاس‌پذیری و تحلیل داده‌های جریانی (Real-time Streaming)

در پایان کتاب، قادر خواهید بود یک سیستم یادگیری ماشین را طراحی، پیاده‌سازی، استقرار و نگهداری کنید.

✅ مطالب کلیدی

• پیش‌بینی رفتار آینده
• ارزیابی و بهینه‌سازی عملکرد مدل‌ها
• تحلیل احساسات (Sentiment Analysis) و سیستم‌های پیشنهاددهنده (Recommendation)

👤 مخاطبان کتاب

• به دانش Python نیاز است
• هیچ پیش‌نیازی در زمینه یادگیری ماشین لازم نیست—برای مبتدیان طراحی شده است

✍️ درباره نویسندگان

Henrik Brink، Joseph Richards و Mark Fetherolf داده‌کاوان و متخصصان باتجربه‌ای هستند که درگیر پیاده‌سازی روزانه سیستم‌های یادگیری ماشین در صنعت هستند. آن‌ها تجربیات عملی خود را به زبانی ساده و کاربردی در این کتاب به اشتراک گذاشته‌اند.

Real-World Machine Learning انتخابی عالی برای توسعه‌دهندگانی است که می‌خواهند بدون غرق‌شدن در پیچیدگی‌های دانشگاهی، وارد دنیای واقعی یادگیری ماشین شوند و پروژه‌های عملی بسازند.

Real-World Machine Learning is a practical guide designed to teach working developers the art of ML project execution. Without overdosing you on academic theory and complex mathematics, it introduces the day-to-day practice of machine learning, preparing you to successfully build and deploy powerful ML systems.

About the Technology

Machine learning systems help you find valuable insights and patterns in data, which you'd never recognize with traditional methods. In the real world, ML techniques give you a way to identify trends, forecast behavior, and make fact-based recommendations. It's a hot and growing field, and up-to-speed ML developers are in demand.

About the Book

Real-World Machine Learning will teach you the concepts and techniques you need to be a successful machine learning practitioner without overdosing you on abstract theory and complex mathematics. By working through immediately relevant examples in Python, you'll build skills in data acquisition and modeling, classification, and regression. You'll also explore the most important tasks like model validation, optimization, scalability, and real-time streaming. When you're done, you'll be ready to successfully build, deploy, and maintain your own powerful ML systems.

What's Inside

• Predicting future behavior
• Performance evaluation and optimization
• Analyzing sentiment and making recommendations

About the Reader

No prior machine learning experience assumed. Readers should know Python.

About the Authors

Henrik Brink, Joseph Richards and Mark Fetherolf are experienced data scientists engaged in the daily practice of machine learning.

Table of Contents

PART 1: THE MACHINE-LEARNING WORKFLOW

1. What is machine learning?
2. Real-world data
3. Modeling and prediction
4. Model evaluation and optimization
5. Basic feature engineering

PART 2: PRACTICAL APPLICATION

1. Example: NYC taxi data
2. Advanced feature engineering
3. Advanced NLP example: movie review sentiment
4. Scaling machine-learning workflows
5. Example: digital display advertising

About the Author

Henrik Brink is a data scientist and software developer with extensive ML experience in industry and academia.

Joseph Richards is a senior data scientist with expertise in applied statistics and predictive analytics. Henrik and Joseph are co-founders of wise.io, a leading developer of machine learning solutions for industry.

Mark Fetherolf is founder and President of data management and predictive analytics company, Numinary Data Science. He has worked as a statistician and analytics database developer in social science research, chemical engineering, information systems performance, capacity planning, cable television, and online advertising applications.