- عنوان کتاب: Machine Learning with PyTorch and Scikit-Learn
- نویسنده: Sebastian Raschka
- حوزه: یادگیری ماشین
- سال انتشار: 2022
- تعداد صفحه: 771
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 29.3 مگابایت
در سالهای اخیر، روشهای یادگیری ماشین، با توانایی خود در درک حجم وسیعی از دادهها و تصمیمگیری خودکار، کاربردهای گستردهای در مراقبتهای بهداشتی، رباتیک، زیستشناسی، فیزیک، محصولات مصرفی، خدمات اینترنتی و صنایع مختلف دیگر یافتهاند.
جهش های عظیم در علم معمولاً از ترکیب ایده های قدرتمند و ابزارهای عالی ناشی می شود. یادگیری ماشینی نیز از این قاعده مستثنی نیست. موفقیت روش های یادگیری مبتنی بر داده مبتنی بر ایده های مبتکرانه هزاران محقق با استعداد در طول تاریخ 60 ساله این رشته است. اما محبوبیت اخیر آنها نیز به دلیل تکامل راه حل های سخت افزاری و نرم افزاری است که آنها را مقیاس پذیر و در دسترس می کند. اکوسیستم کتابخانههای عالی برای محاسبات عددی، تجزیه و تحلیل دادهها و یادگیری ماشینی که پیرامون پایتون ساخته شدهاند، مانند NumPy و scikit-learn، در تحقیقات و صنعت مورد پذیرش گستردهای قرار گرفت. این کمک زیادی کرده است تا پایتون به محبوب ترین زبان برنامه نویسی تبدیل شود.
پیشرفتهای عظیم در بینایی رایانه، متن، گفتار و سایر وظایف که با ظهور اخیر تکنیکهای یادگیری عمیق بهوجود آمدهاند، نمونهای از این موضوع هستند. رویکردها بر اساس نظریه شبکه های عصبی چهار دهه گذشته است که به خوبی در ترکیب با GPU ها و روال های محاسباتی بسیار بهینه شده شروع به کار کرد.
هدف ما از ساخت PyTorch در پنج سال گذشته این بوده است که به محققان انعطافپذیرترین ابزار را برای بیان الگوریتمهای یادگیری عمیق و در عین حال مراقبت از پیچیدگیهای مهندسی زیربنایی ارائه دهیم. ما از اکوسیستم عالی پایتون بهره مند شدیم. به نوبه خود، ما خوش شانس بوده ایم که جامعه افراد بسیار با استعداد را می بینیم که مدل های یادگیری عمیق پیشرفته را در دامنه های مختلف در بالای PyTorch می سازند. نویسندگان این کتاب از جمله آنها بودند.
من چند سالی است که سباستین را در این جامعه فشرده می شناسم. او استعداد بی نظیری در توضیح آسان اطلاعات و در دسترس ساختن مجموعه دارد. سباستین در بسیاری از بستههای نرمافزاری پرکاربرد یادگیری ماشین مشارکت داشت و دهها آموزش عالی در زمینه یادگیری عمیق و تجسم دادهها تألیف کرد.
تسلط بر ایده ها و ابزارها نیز برای اعمال یادگیری ماشینی در عمل لازم است. شروع ممکن است ترسناک باشد، از درک مفاهیم نظری گرفته تا کشف بسته های نرم افزاری برای نصب.
خوشبختانه، کتابی که در دست دارید، کار زیبایی را با ترکیب مفاهیم یادگیری ماشین و مراحل مهندسی عملی انجام می دهد تا شما را در این سفر راهنمایی کند. از اصول تکنیکهای مبتنی بر دادهها تا جدیدترین معماریهای یادگیری عمیق را تجربه میکنید. در هر فصل، نمونههای کد مشخصی را خواهید یافت که روشهای معرفیشده را برای یک کار عملی به کار میبرند.
هنگامی که اولین نسخه در سال 2015 منتشر شد، نوار بسیار بالایی را برای دسته کتاب های ML و Python تعیین کرد. اما تعالی به همین جا ختم نشد. با هر نسخه، سباستین و تیم به ارتقاء و اصلاح مطالب ادامه دادند، زیرا انقلاب یادگیری عمیق در حوزه های جدید آشکار شد. در این نسخه جدید PyTorch، فصل های جدیدی در مورد معماری ترانسفورماتور و شبکه های عصبی گراف پیدا خواهید کرد. این رویکردها در لبه برش یادگیری عمیق هستند و زمینه های درک متن و ساختار مولکولی را در دو سال گذشته طوفانی کرده اند. می توانید آنها را با استفاده از بسته های نرم افزاری جدید و در عین حال بسیار محبوب در اکوسیستم مانند Hugging Face، PyTorch Lightning و PyTorch Geometric تمرین کنید.
تعادل عالی تئوری و عمل این کتاب با توجه به ترکیبی از تخصص تحقیقاتی پیشرفته و تجربه نویسندگان در حل مسائل عملی، تعجب آور نیست. سباستین راشکا و وحید میرجلیلی از پیشینه خود در تحقیقات یادگیری عمیق برای بینایی کامپیوتر و زیستشناسی محاسباتی استفاده میکنند. هیدن لیو تجربه استفاده از روشهای یادگیری ماشینی را برای پیشبینی رویداد، سیستمهای توصیه و سایر وظایف در صنعت به ارمغان میآورد. همه نویسندگان اشتیاق عمیقی به آموزش دارند و به روشی قابل دسترس که کتاب از ساده به پیشرفته تبدیل می شود، منعکس می شود.
من مطمئن هستم که این کتاب را هم به عنوان یک مرور کلی از حوزه هیجان انگیز یادگیری ماشین و هم به عنوان گنجینه ای از بینش های عملی ارزشمند خواهید یافت. امیدوارم به شما انگیزه دهد که یادگیری ماشین را برای منافع بیشتر در حوزه مشکل خود، هر چه که باشد، به کار ببرید.
Over recent years, machine learning methods, with their ability to make sense of vast amounts of data and automate decisions, have found widespread applications in healthcare, robotics, biology, physics, consumer products, internet services, and various other industries.
Giant leaps in science usually come from a combination of powerful ideas and great tools. Machine learning is no exception. The success of data-driven learning methods is based on the ingenious ideas of thousands of talented researchers over the field’s 60-year history. But their recent popularity is also fueled by the evolution of hardware and software solutions that make them scalable and accessible. The ecosystem of excellent libraries for numeric computing, data analysis, and machine learning built around Python like NumPy and scikit-learn gained wide adoption in research and industry. This has greatly helped propel Python to be the most popular programming language.
Massive improvements in computer vision, text, speech, and other tasks brought by the recent ad-vent of deep learning techniques exemplify this theme. Approaches draw on neural network theory of the last four decades that started working remarkably well in combination with GPUs and highly optimized compute routines.
Our goal with building PyTorch over the past five years has been to give researchers the most flexible tool for expressing deep learning algorithms while taking care of the underlying engineering com-plexities. We benefited from the excellent Python ecosystem. In turn, we’ve been fortunate to see the community of very talented people build advanced deep learning models across various domains on top of PyTorch. The authors of this book were among them.
I’ve known Sebastian within this tight-knit community for a few years now. He has unmatched talent in easily explaining information and making the complex accessible. Sebastian contributed to many widely used machine learning software packages and authored dozens of excellent tutorials on deep learning and data visualization.
Mastery of both ideas and tools is also required to apply machine learning in practice. Getting started might feel intimidating, from making sense of theoretical concepts to figuring out which software packages to install.
Luckily, the book you’re holding in your hands does a beautiful job of combining machine learning concepts and practical engineering steps to guide you in this journey. You’re in for a delightful ride from the basics of data-driven techniques to the most novel deep learning architectures. Within every chapter, you will find concrete code examples applying the introduced methods to a practical task.
When the first edition came out in 2015, it set a very high bar for the ML and Python book category. But the excellence didn’t stop there. With every edition, Sebastian and the team kept upgrading and refining the material as the deep learning revolution unfolded in new domains. In this new PyTorch edition, you’ll find new chapters on transformer architectures and graph neural networks. These approaches are on the cutting edge of deep learning and have taken the fields of text understanding and molecular structure by storm in the last two years. You will get to practice them using new yet widely popular software packages in the ecosystem like Hugging Face, PyTorch Lightning, and PyTorch Geometric.
The excellent balance of theory and practice this book strikes is no surprise given the authors’ com-bination of advanced research expertise and experience in solving problems hands-on. Sebastian Raschka and Vahid Mirjalili draw from their background in deep learning research for computer vision and computational biology. Hayden Liu brings the experience of applying machine learning methods to event prediction, recommendation systems, and other tasks in the industry. All of the authors share a deep passion for education, and it reflects in the approachable way the book goes from simple to advanced.
I’m confident that you will find this book invaluable both as a broad overview of the exciting field of machine learning and as a treasure of practical insights. I hope it inspires you to apply machine learning for the greater good in your problem area, whatever it might be.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
نظرات کاربران