اگر به دنبال برنامه‌نویسی یادگیری ماشین با پایتون هستید از این 10 کتاب غافل نشوید

شیوع ویروس کرونا باعث شد تا بسیاری از آموزشگاه‌ها مجبور شوند، آموزش‌های آنلاین را جایگزین آموزش‌های حضوری کنند. در شرایطی که هر یک از این متدها مزایا و معایب خاص خود را دارد، اما در مجموع آموزش‌های آنلاین نمی‌توانند همانند آموزش‌های حضوری نکات مهم را به افراد منتقل کنند، به همین دلیل شاید بد نباشد که خود دست به کار شویم و از طریق منابع آنلاینی که در دسترس قرار دارند به یادگیری این مهارت بپردازیم. در این مطلب با ده کتاب آموزش یادگیری ماشین با زبان پایتون آشنا می‌شوید.

1. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build

نویسندگان : Aurélien Géron

ناشر: O’Reilly

تعداد صفحات: 572 صفحه

تاریخ انتشار: 18  آوریل 2017

اولین کتاب فهرست ما روی مبحث یادگیری ماشین و به‌کارگیری تنسورفلو، سایکیت‌لرن، ابزارها و مفاهیم مورد نیاز برای ساخت سامانه‌های هوشمند متمرکز است. این کتاب با ارائه مثال‌های کاربردی و تشریح مبانی نظری به دانش‌پژوهان کمک می‌کند مفاهیم مهم را به بهترین شکل یاد بگیرند. برای این منظور از دو چهارچوب مهم سایکیت‌لرن و تنسورفلو گوگل استفاده شده تا دانش‌پژوهان درک دسترسی از مفاهیم و ابزارهایی که برای ساخت سامانه‌های هوشمند در دسترس قرار دارد به‌دست آورند. در این کتاب موضوعات مختلفی همچون آشنایی با رگرسیون خطی، شبکه‌های عصبی عمیق را یاد می‌گیرند. در انتهای هر فصل نیز یک پروژه برنامه‌نویسی برای تشریح بهتر موضوعات در نظر گرفته شده است.

2. Introduction to Machine Learning with Python: A Guide for Data Scientists

نویسندگان: Andreas Müller ، Sarah Guido

ناشر: O’Reilly

تعداد صفحات: 400

سال انتشار:  21 اکتبر 2016

کتاب دوم مقدمه‌ای بر یادگیری ماشین به زبان پایتون ویژه متخصصان علم داده‌ها است. این کتاب سعی کرده به افرادی با حداقل دانش مقدماتی، روش‌های ساخت و به‌کارگیری مدل‌های آموزشی را یاد بدهد. در این کتاب دانش‌پژوهان یاد می‌گیرند که چگونه از داده‌های موجود به شکل صحیحی استفاده کنند. این کتاب به شما گام‌های لازم برای ساخت مدل‌ها و برنامه‌های کاربردی مبتنی بر یادگیری ماشین با زبان پایتون و کتابهانه سایکیت‌لزن را آموزش می‌دهد. این کتاب سعی کرده به جای آن‌که به سراغ مباحث نظری الگوریتم‌ها برود، روی مباحث عملی و به‌کارگیری الگوریتم‌های یادگیری ماشین متمرکز شود. آشنایی با کتابخانه‌های NumPy و Matplotlib به دانش‌پژوهان کمک می‌کند مطالب مرتبط با مدل‌سازی الگوریتم‌ها با پایتون را بهتر یاد بگیرند. در کتاب فوق با مزایا و معایب به‌کارگیری الگوریتم‌ها در دنیای هوش مصنوعی، ارزیابی مد‌ل‌ها و تنظیم پارامترها و روش‌های کار با داده‌های متنی آشنا می‌شوید.

3. Practical Machine Learning with Python

نویسندگان: Dipanjan Sarkar

ناشر: Apress

تعداد صفحات: 545

سال انتشار: 12 دسامبر 2018

یادگیری ماشین عملی با پایتون 3 کتاب ارزشمند دیگری است که در فهرست ما قرار می‌گیرد. این کتاب آموزش کاملی در ارتباط با یادگیری ماشین و مباحث مرتبط اطلاعات کافی در اختیار مخاطبان قرار می‌دهد. کتاب فوق را باید یک مرجع گام به گام در این زمینه بر شمرد که به مخاطبان در زمینه ساخت مدل‌های یادگیری ماشین کمک فراوانی می‌کند. لازم به توضیح است که نگارش سوم این کتاب با نگارش دوم چهارچوب تنسورفلو، رابط برنامه‌نویسی کاربردی Keras API  و ویژگی‌های جدید سایکیت‌لرن هماهنگ شده است. در کتاب یادگیری ماشین با پایتون موضوعاتی همچون روش‌های لبه علم یادگیری تقویتی بر مبنای یادگیری عمیق، شبکه‌های مولد تخاصمی، پردازش زبان طبیعی که روی مبحث تحلیل احساسات متمرکز است مورد بررسی قرار گرفته‌اند. در مجموع باید بگوییم کتاب فوق به مخاطبان نشان می‌دهد چگونه به دسته‌بندی اسناد خود بپردازند.

4. Python Machine Learning, 1s Edition

نویسندگان: Alex Campbell

ناشر: Packt

تعداد صفحات: 82

سال انتشار: 27 ژوئن 2020

چهارمین کتاب فهرست ما یادگیری ماشین با پایتون ویرایش اول است که در حقیقت به پرسش‌های علاقه‌مندان در زمینه داده‌ها و نحوه به‌کارگیری پایتون در این راه پاسخ می‌دهد. این کتاب هم برای افرادی که تازه به وادی یادگیری ماشین گام نهاده‌اند و هم برای افراد با تجربه در این زمینه مفید است.

5. Machine Learning With TensorFlow

نویسندگان: Nishant Shukla

ناشر: Manning

تعداد صفحات: 272

سال انتشار: 12 فوریه 2018

یادگیری ماشین با تنسورفلو کتاب دیگری برای علاقه‌مندان به مباحث نظری مرتبط با یادگیری ماشین است که دوست دارند مفاهیم تئوری و عملی کدنویسی با تنسورفلو به زبان پایتون را یاد بگیرند. این کتاب سعی کرده مباحثی همچون الگوریتم‌های پیش‌بینی کلاسیک، دسته‌بندی و خوشه‌بندی را به شکل ساده‌ای به افراد آموزش دهد. در کتاب فوق با مباحث دیگری همچون یادگیری عمیق (خودرمزگذارها)، شبکه‌های عصبی بازگشتی و یادگیری تقویتی آشنا می‌شوید.

6. Advanced Machine Learning with Python

نویسندگان: John Hearty

ناشر: Packt

تعداد صفحات: 278

سال چاپ: 28 جولای 2016

کتاب یادگیری ماشین پیشرفته با پایتون بر روش چگونگی حل مسائل پیچیده یادگیری ماشین و یادگیری عمیق همراه با کدمثال‌هایی به زبان پایتون به منظور پیاده‌سازی کارآمد الگوریتم‌ها و روش‌های یادگیری ماشین متمرکز است. کتاب فوق بیشتر برای توسعه‌دهندگان مفید است که تجربه قبلی در این زمینه دارند و اکنون به دنبال بهبود سطح مهارت‌های خود هستند. به بیان دیگر کتاب فوق برای تحلیل‌گران داده‌ها، دانشمندان داده‌ها و مهندسان یادگیری عمیق که در نظر دارند سطح دانش خود در حوزه علم داده‌ها را افزایش دهند مفید است. 

7. Machine Learning Pocket Reference: Working with Structured Data in Python

نویسندگان: Matt Harrison

ناشر: O’Reilly

تعداد صفحات: 320

سال چاپ: 27 آگوست 2019

کتاب راهنمای جیبی یادگیری ماشین: کار با داده‌های ساخت‌یافته در پایتون با ارائه مثال‌های کاربردی مخاطب سعی کرده به بیانی ساده و سریع مبانی مربوط به یادگیری ماشین و داده‌ها را به خوانندگان آموزش دهد. کتاب فوق برای برنامه‌نویسان، دانشمندان علم داده‌ها و مهندسان یادگیری ماشین یک منبع آموزشی ارزشمند است. کتاب فوق روی موضوعاتی همچون پاک‌سازی و پالایش داده‌ها، کار با داده‌های ناموجود، تحلیل اکتشافی داده‌ها و گام‌های متداول پیش‌پردازش داده‌ها، انتخاب ویژگی، انتخاب مدل و موضوعات این چنینی متمرکز است.

8. Unsupervised Learning

نویسندگان: Ankur A. Patel

ناشر: O’Reilly

تعداد صفحات: 362

سال چاپ: 21 فوریه 2019

هشتمین کتاب این فهرست روی مبحث یادگیری ماشین بدون ناظر که از جمله موضوعات داغ دنیای هوش مصنوعی است متمرکز شده است. این کتاب برای افرادی در نظر گرفته شده که دوست دارند مدل‌های یادگیری ماشین پیشرفته را طراحی کنند. با توجه به این‌که بخش عمده‌ای از داده‌های در دسترس ما فاقد برچسب هستند و امکان به‌کارگیری مدل‌های یادگیری با ناظر در ارتباط با این مدل داده‌ها امکان‌پذیر نیست، به همین دلیل مهندسان یادگیری ماشین مجبور هستند به سراغ مدل‌های یادگیری ماشین بدون ناظر بروند. یادگیری ماشین بدون ناظر به متخصصان اجازه می‌دهد از مدل فوق روی مجموعه داده‌های بدون برچسب با هدف کشف الگوهای معنادار در داده‌ها استفاده کنند. این کتاب به شما نشان می‌دهد که چگونه الگوریتم‌های یادگیری ماشین بدون ناظر را روی داده‌های فاقد برچسب و بر مبنای چهارچوب‌های سایکیت‌لرن و تنسورفلو به زبان پایتون به کار ببرید. از جمله موضوعات مورد بحث در این کتاب می‌توان به بررسی نقاط قوت و ضعف مدل‌های یادگیری ماشین بدون ناظر، با ناظر و تقویتی، طراحی و پیاده‌سازی پروژه‌های یادگیری ماشین، طراحی سامانه‌های شناسایی ناهنجاری به منظور کشف مورد مشکوک در معاملات، طبقه‌بندی کاربران در گروه‌های همگن، اجرای یادگیری نیمه نظارتی، توسعه سامانه پیشنهادگر، ساخت تصویر مصنوعی با استفاده از شبکه‌های مولد تخامصی اشاره کرد.

9. Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through six projects

نویسندگان: James Loy

ناشر: Packt

تعداد صفحات: 310

سال چاپ: 28 فوریه 2019

نهمین کتاب این فهرست پروژه‌های شبکه عصبی با پایتون: راهنمای کامل به‌کارگیری پایتون برای شناسایی قدرت واقعی شبکه‌های عصبی بر مبنای شش پروژه کاربردی است. همان‌گونه که حدس زده‌اید این کتاب به جای تمرکز بر مباحث تئوری روی پروژه‌های کارآمد متمرکز شده است. در این کتاب دانش‌پژوهان می‌توانند بر مبنای ساخت شش پروژه کاربردی اقدام به ساخت مدل‌های کاربردی به زبان پایتون بپردازند. کتاب فوق معماری‌ شبکه‌های عصبی همچون شبکهرهای عصبی پیچشی، حافظه طولانی‌مدت، چگونگی ساخت شبکه‌های عصبی با استفاده از کتابخانهKeras  را آموزش داده است. با مطالعه این کتاب یاد خواهید گرفت که چگونه پروژه‌هایی برای شناسایی اشیا، تشخیص چهره و تحلیل احساسات را آماده کنید.

10. Deep Learning With Python

نویسندگان: François Chollet

ناشر: Manning

تعداد صفحات: 384

سال چاپ: 22 دسامبر 2017

آخرین کتاب این فهرست یادگیری عمیق با پایتون است که روی به‌کارگیری پایتون و کتابخانه Keras متمرکز است. کتاب فوق با ارائه مثال‌های کاربردی و مباحث تئوری سعی کرده دانش مخاطبان در ارتباط با یادگیری عمیق که یکی از شاخه‌های پیشرفته هوش مصنوعی است را ارتقا دهد.

در این مقاله با ده کتاب مفید در زمینه یادگیری ماشین با پایتون آشنا شدید. برای آشنایی بیشتر با کتاب‌های دیگری در این زمینه پیشنهاد می‌کنیم به آدرس Top 25 Best Machine Learning Books You Should Read مراجعه کنید.