کتاب یادگیری ماشین عملی با Scikit-Learn و PyTorch

این بخش مبانی درک یادگیری ماشین (ML) را پوشش می‌دهد و مفاهیم اصلی و کاربردهای عملی آن را بررسی می‌کند. انواع مختلف سیستم‌های یادگیری ماشین، از جمله یادگیری با نظارت، بدون نظارت، دسته‌ای و آنلاین، همراه با چالش‌های اصلی آن‌ها مانند بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) معرفی می‌شوند. خوانندگان یاد می‌گیرند که یک پروژه یادگیری ماشین سرتاسری (End-to-End ML Project) را با استفاده از Scikit-Learn، از کاوش و آماده‌سازی داده تا انتخاب و ارزیابی مدل، تکمیل کنند. موضوعات کلیدی شامل طبقه‌بندی، رگرسیون، درختان تصمیم، روش‌های ترکیبی و کاهش ابعاد است که یک پایه جامع برای ساخت مدل‌های یادگیری ماشین قوی فراهم می‌کند. این بخش با کاوش در تکنیک‌های یادگیری بدون نظارت مانند خوشه‌بندی و تشخیص ناهنجاری به پایان می‌رسد.

این بخش به حوزه پیشرفته شبکه‌های عصبی (Neural Networks) و یادگیری عمیق (Deep Learning) می‌پردازد که با مبانی نورون‌های مصنوعی و پرسپترون‌های چندلایه (MLPs) آغاز می‌شود. این بخش یک راهنمای عملی برای ساخت و آموزش شبکه‌های عصبی با استفاده از PyTorch ارائه می‌دهد که موضوعاتی از عملیات تانسور و Autograd تا پیاده‌سازی MLPs رگرسیون و طبقه‌بندی را پوشش می‌دهد. خوانندگان تکنیک‌های آموزش شبکه‌های عصبی عمیق را بررسی می‌کنند، به چالش‌هایی مانند گرادیان‌های ناپدیدشونده/منفجرشونده (Vanishing/Exploding Gradients) و بیش‌برازش (Overfitting) می‌پردازند و از بهینه‌سازها (Optimizers) و روش‌های منظم‌سازی (Regularization Methods) استفاده می‌کنند. این بخش همچنین به معماری‌های تخصصی، از جمله شبکه‌های عصبی کانولوشنی (CNNs) برای بینایی کامپیوتر، شبکه‌های عصبی بازگشتی (RNNs) برای پردازش توالی، و ترانسفورمرها (Transformers) برای پردازش زبان طبیعی و چت‌بات‌ها گسترش می‌یابد. همچنین خودرمزگذارها (Autoencoders)، شبکه‌های مولد تخاصمی (GANs)، مدل‌های انتشار (Diffusion Models) و یادگیری تقویتی (Reinforcement Learning) را پوشش می‌دهد و یک سفر جامع به هوش مصنوعی پیشرفته ارائه می‌دهد.