کتاب یادگیری ماشین با پایتون در قالب مثال های کاربردی

فصل اول: شروع کار با یادگیری ماشین و پایتون 1-1. مقدمه‌ای بر یادگیری ماشین 1-2. دانستن پیش‌نیازها 1-3. شروع با سه نوع یادگیری ماشین 1-4. کاوش در هسته‌ی اصلی یادگیری ماشین 1-5. پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها 1-6. ترکیب مدل‌ها 1-7. نصب نرم‌افزار و راه‌اندازی 1-8. خلاصه 1-9. تمرین فصل دوم: ساخت موتور پیشنهاد فیلم با نایو بیز 2-1. شروع کار با دسته‌بندی 2-2. کاوش در نایو بیز 2-3. پیاده‌سازی نایو بیز 2-4. ساخت پیشنهادگر فیلم با نایو بیز 2-5. ارزیابی عملکرد دسته‌بندی 2-6. تنظیم دقیق مدل‌ها با اعتبارسنجی متقاطع 2-7. خلاصه 2-8. تمرین فصل سوم : تشخیص چهره با ماشین بردار پشتیبان 3-1. یافتن مرز جداکننده با SVM 3-2. دسته‌بندی تصاویر چهره با SVM 3-3. دسته‌بندی حالت جنین در قلب و عروق 3-4. خلاصه 3-5. تمرین فصل چهارم: پیش‌بینی کلیک روی تبلیغات آنلاین با الگوریتم‌های مبتنی بر درخت 4-1. مروری کوتاه بر پیش‌بینی کلیک روی تبلیغ 4-2. شروع با دو نوع داده - عددی و طبقه‌ای 4-3. بررسی یک درخت تصمیم از ریشه تا برگ 4-4. پیاده‌سازی درخت تصمیم بدون کتابخانه 4-5. پیاده‌سازی درخت تصمیم با scikit-learn 4-6. پیش‌بینی کلیک روی تبلیغ با درخت تصمیم 4-7. درخت تصمیم - جنگل تصادفی 4-8. درخت تصمیم- درخت تقویت‌شده با گرادیان 4-9. خلاصه 4-10. تمرین فصل پنجم : پیش‌بینی کلیک روی تبلیغات آنلاین با رگرسیون لجستیک 5-1. تبدیل ویژگی‌های طبقه‌ای به عددی – کدگذاری تک‌نمود و کدگذاری ترتیبی 5-2. دسته‌بندی داده‌ها با رگرسیون لجستیک 5-3. آموزش مدل رگرسیون لجستیک 5-4. آموزش مجموعه داده‌های بزرگ با یادگیری آنلاین 5-5. کار با دسته‌بند چنددسته‌ای 5-6. پیاده‌سازی رگرسیون لجستیک با استفاده از TensorFlow 5-7. انتخاب ویژگی با استفاده از جنگل تصادفی 5-8. خلاصه 5-9. تمرین فصل ششم : افزایش مقیاس پیش‌بینی در رویدادنامه‌های ترابایتی کلیک 6-1. آموزش موارد ضروری آپاچی اسپارک 6-2. برنامه‌نویسی در پای اسپارک 6-3. یادگیری در مورد رویدادنامه‌های کلیک کلان با اسپارک 6-4. مهندسی ویژگی در متغیرهای دسته‌بندی با اسپارک 6-5. خلاصه 6-6. تمرین فصل هفتم: پیش‌بینی قیمت‌ سهام با الگوریتم‌های رگرسیون 7-1. مروری کوتاه بر بورس و قیمت سهام 7-2. رگرسیون چیست؟ 7-3. استخراج داده‌های قیمت سهام 7-4. تخمین با رگرسیون خطی 7-5. تخمین با رگرسیون درخت تصمیم 7-6. تخمین با رگرسیون بردار پشتیبان 7-7. ارزیابی عملکرد رگرسیون 7-8. پیش‌بینی قیمت سهام با سه الگوریتم رگرسیون 7-9. خلاصه 7-10. تمرین فصل هشتم: پیش‌بینی قیمت‌ سهام با شبکه‌های عصبی مصنوعی 8-1. ابهام‌زدایی از شبکه‌های عصبی 8-2. ایجاد شبکه‌های عصبی 8-3. انتخاب توابع مناسب 8-4. جلوگیری از بیش‌برازش در شبکه‌های عصبی 8-5. پیش‌بینی قیمت سهام با شبکه‌های عصبی 8-6. خلاصه 8-7. تمرین فصل نهم : کاوش در مجموعه داده‌های گروه‌های خبری با روش‌های تجزیه و تحلیل متن 9-1. کامپیوترها چگونه می‌فهمند- زبان NLP 9-2. گشت‌و‌گذار در کتابخانه‌های معروف NLP و انتخاب اصول اولیه NLP 9-3. دریافت داده‌های گروه‌های خبری 9-4. کاوش در داده‌های گروه‌های خبری 9-5. تفکری درباره‌ی ویژگی‌های داده‌های متنی 9-6. ترسیم داده‌های گروه‌های خبری با t-SNE 9-7. خلاصه 9-8. تمرین فصل دهم : کشف عناوین کلیدی در مجموعه گروه‌های خبری  با خوشه‌بندی و مدل‌سازی موضوع 10-1. یادگیری بدون راهنما - یادگیری بدون نظارت 10-2. خوشه‌بندی داده‌های گروه‌های خبری با استفاده از k-means 10-3.کشف موضوعات اصلی در گروه‌های خبری 10-4. خلاصه 10-5. تمرین فصل یازدهم: بهترین روش‌های یادگیری ماشین 11-1. گردش کار راه‌حل‌های مبتنی بر یادگیری ماشین 11-2. بهترین روش‌ها در مرحله‌ی آماده‌سازی داده‌ها 11-3. بهترین روش‌ها در مرحله‌ی تولید مجموعه آموزشی 11-4. بهترین روش‌ها در مرحله‌ی آموزش، ارزیابی و انتخاب مدل 11-5. بهترین روش‌ها در مرحله‌ی استقرار و نظارت 11-6. خلاصه 11-7. تمرین فصل دوازدهم : دسته‌بندی تصاویر لباس با شبکه‌های عصبی پیچشی 12-1. شروع کار با بخش‌های اصلیCNN 12-2. معماری CNN برای دسته‌بندی 12-3. کاوش در مجموعه داده‌های تصویر لباس 12-4. دسته‌بندی تصاویر لباس با CNN 12-5. تقویت دسته‌بندی CNN با افزایش داده‌ها 12-6. بهبود دسته‌بندی تصویر لباس با افزایش داده‌ها 12-7. خلاصه 12-8. تمرین فصل سیزدهم : پیش‌بینی توالی‌ها با استفاده از شبکه‌های عصبی بازگشتی 13-1. معرفی یادگیری متوالی 13-2. یادگیری معماری RNN با مثال 13-3. آموزش مدل RNN 13-4. غلبه بر وابستگی‌های طولانی‌مدت با حافظه‌ی طولانی کوتاه‌مدت 13-5. تجزیه و تحلیل احساسات در نظرات فیلم‌ها با RNN‌ها 13-6. نوشتن رمان جنگ و صلح خود با RNN‌ها 13-7. پیشرفت درک زبان با مدل مبدل 13-8. خلاصه 13-9. تمرین فصل چهاردهم : تصمیم‌گیری در محیط‌های پیچیده با یادیگری تقویتی 14-1. تنظیم محیط کار 14-2. معرفی یادگیری تقویتی با مثال 14-3. حل محیط دریاچه‌ی یخی با برنامه‌نویسی پویا 14-4. پیاده‌سازی یادگیری مونت کارلو 14-5. حل مسأله‌ی تاکسی با الگوریتم یادگیری Q 14-6. خلاصه 14-7. تمرین واژه‌نامه انگلیسی به فارسی واژه‌نامه فارسی به انگلیسی اختصارات منابع و مآخذ