Machine Learning for Computer Scientists and Data Analysts: From an Applied Perspective

این کتاب درسی خوانندگان را با جنبه‌های نظری الگوریتم‌های یادگیری ماشین (ML) آشنا می‌کند، از مبانی ساده نورون، تا شبکه‌های عصبی پیچیده، از جمله شبکه‌های عصبی متخاصم مولد و شبکه‌های پیچیدگی نمودار. مهمتر از همه، این کتاب به خوانندگان کمک می کند تا مفاهیم الگوریتم های ML را درک کنند و آنها را قادر می سازد تا مهارت های لازم را برای انتخاب یک الگوریتم مناسب ML برای مشکلی که می خواهند حل کنند، توسعه دهند. علاوه بر این، این کتاب شامل مطالعات موردی متعددی است، از پیش‌بینی سری‌های زمانی ساده گرفته تا سیستم‌های تشخیص شی و توصیه‌کننده با استفاده از پایگاه‌های داده عظیم. در نهایت، این کتاب همچنین مثال‌ها و تکالیف پیاده‌سازی عملی را برای خوانندگان ارائه می‌کند تا قابلیت‌های برنامه‌نویسی خود را برای برنامه‌های ML تمرین کرده و بهبود بخشند.

This textbook introduces readers to the theoretical aspects of machine learning (ML) algorithms, starting from simple neuron basics, through complex neural networks, including generative adversarial neural networks and graph convolution networks. Most importantly, this book helps readers to understand the concepts of ML algorithms and enables them to develop the skills necessary to choose an apt ML algorithm for a problem they wish to solve. In addition, this book includes numerous case studies, ranging from simple time-series forecasting to object recognition and recommender systems using massive databases. Lastly, this book also provides practical implementation examples and assignments for the readers to practice and improve their programming capabilities for the ML applications.