امروزه یادگیری ماشین یکی از مهم‌ترین فناوری‌های هوش مصنوعی است که در حوزه‌هایی مانند پزشکی، صنعت، امور مالی، آموزش، تجارت الکترونیک و تحلیل داده‌ها کاربرد گسترده‌ای دارد. با این حال، بسیاری از منابع آموزشی تنها به معرفی الگوریتم‌ها می‌پردازند و ارتباط میان مفاهیم نظری و اجرای پروژه‌های واقعی را به‌خوبی برقرار نمی‌کنند.این کتاب با رویکردی کاملاً پروژه‌محور و کاربردی، شما را گام‌ به‌گام با فرآیند طراحی، پیاده‌سازی و ارزیابی مدل‌های یادگیری ماشین با استفاده از Python و Scikit-learn آشنا می‌کند. تمامی مثال‌ها بر پایه کدنویسی عملی، مجموعه‌داده‌های واقعی و نوت‌بوک‌های Jupyter تدوین شده‌اند تا بتوانید مفاهیم را مستقیماً در پروژه‌های خود به کار بگیرید.

در این کتاب خواهید آموخت

فصل اول - مبانی یادگیری ماشین و فرآیند حل مسئله / 9

فصل دوم - پیش پردازش و آماده سازی داده ها در یادگیری ماشین / 22

فصل سوم - مدل رگرسیون خطی و لجستیکی / 42

فصل چهارم - پیاده سازی مدل های خطی برای طبقه بندی / 57

فصل پنجم - مدل های مبتنی بر فاصله و درخت تصمیم / 72

فصل ششم - یادگیری گروهی / 94

فصل هفتم - ماشین های بردار پشتیبان / 107

فصل هشتم - ارزیابی و اعتبار سنجی مدل / 114

فصل نهم - مدیریت بیش برازش با تنظیم سازی / 129

فصل دهم - پروژه جامع یادگیری ماشین /139