یادگیری ماشینی درحال تبدیل به ابزار بسیار با اهمیتی در کسب و کار است، تا حدی که به احتمال زیاد تقریبا تمامی کارمندان با این روش یا دیگر روش ها، طی چند سال آتی تحت تاثیر قرار می گیرند.

یادگیری ماشینی در ارتباط با استفاده از مجموعه داده های بزرگ می باشد تا ارتباط بین متغیرها را یاد بگیرد، پیش بینی کند و در یک محیط متغیر اخذ تصمیم نماید.

یادگیری ماشینی بخشی از انقلاب صنعتی چهارم است و شامل استفاده از رایانه ها برای مواردی بیش از وظایف تکراری می باشد. به منظور تشریح تفاوت بین یادگیری ماشینی و دیجیتالی شدن، بانکی را در نظر بگیرید که خواهان اتوماتیک شدن تصمیمات وام دهی خود است. چنانچه معیار مورد استفاده کارکنان مسئول وام دهی بانک به خوبی تعریف شده باشد، این معیار را می توان برنامه ریزی نمود که تصمیمات مربوط به وام دهی به سرعت و بدون دخالت انسان صورت پذیرند.

هدف این کتاب شرحی بر الگوریتم های پایه یادگیری ماشینی است بنابراین نتایج استفاده از الگوریتم ها را می توان از لحاظ علمی مورد ارزیابی قرار داد. پیش بینی می شود خوانندگان بسیاری خواهان یادگیری پایتون باشند بنابراین می توانند مجموعه داده های بزرگ را به آسانی مدیریت کرده و از کتابخانه هایی مانند Pandas Numpy، و Scikit-Learn (به اختصار Sklearn) استفاده کنند. ایـن کتاب رویکردی غیرمعمول از استفاده همزمان اکسل و پایتون را جهت فراهم آوردن مطالب پشتیبان مورد استفاده قرار می دهد. دلیل این امر آن است که پیش بینی می شود برخی خوانندگان، حداقل در آغاز، در کار با اکسل نسبت به پایتون راحت تر هستند. همچنین در بسیاری از مـوارد هنگام استفاده اکسل، مشاهده محاسبات انجام شده، آسان تر است...

فهرست:

1. مقدمه

2. یادگیری نظارت نشده

3. یادگیری نظارت شده: رکگرسیون خطی و منطقی

4. یادگیری نظارت شده: درخت های تصمیم

5. یادگیری نظارت شده: SVM ها

6. یادگیری نظارت شده: شبکه های عصبی

7. دیگر کاربردهای شبکه های عصبی

8. یادگیری تقویت شده

9. پردازش زبان طبیعی

10. تفسیر پذیری مدل

11. موضوعاتی برای جامعه

پاسخ پرسش های انتهای فصل