https://virgool.io/feed/@akademi_arman آکادمی ساینس آرمان یک بستر مناسب جهت آموزش مفاهیم و کاربرد‌های واقعی آنها در حوزه‌های هوش مصنوعی و توسعه وب هست. این پلتفرم آموزشی توسط آرمان دانش دوست تاسیس شده است. fa 2026-06-10 14:07:36 https://files.virgool.io/upload/users/2941382/avatar/pkl1Fk.png?height=120&width=120 https://virgool.io/@akademi_arman https://virgool.io/@akademi_arman/%D8%AA%D9%88%D8%A7%D8%A8%D8%B9-%D8%A7%D8%B1%D8%B2%DB%8C%D8%A7%D8%A8%DB%8C-%D9%85%D8%AF%D9%84-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-ngoy9blgite4 این توابع برآوردی از کارایی مدل پیش بینی‌گر ما می‌دهند. انتخاب هر کدام از این توابع بستگی به طبیعت مسئله ( مسائل رگرسیون یا طبقه بندی) و اهداف مشخص مدل دارند. یک سری از آن‌ها بر اساس مسائل رگرسیون یا طبقه بندی به صورت زیر قرار دارند:*معیار‌های طبقه بندی۱. صحت (Accuracy): اندازه گیری کسری از نمونه‌ها که به درستی نسبت به کل داده پیش بینی شده‌اند را بر عهده دارد. یک معیار ارزیابی مرسوم برای مجموعه داده‌های متوازن هست ولی ممکن است برای مجموعه داده‌های نامتوازن مناسب نباشد.۲. دقت (Precision): کسری از پیش بینی‌های درست را نسبت به تمام پیش بینی‌های مثبت (کلاس صحیح در نظر گرفته شده) در نظر می‌گیرد. زمانی که به دنبال کاهش پیش بینی‌هایی که به اشتباه مثبت در نظر گرفته شده‌اند هستیم این معیار کاربرد دارد. (TP/(TP+FP ۳. میزان حساسیت یا نرخ پیش بینی‌های مثبت درست (Recall): کسری از پیش بینی‌هایی که مثبت درست نسبت به تمام مثبت‌های حقیقی و ذاتی هستند را در نظر می‌گیرد. زمانی که به دنبال کاهش پیش بینی‌هایی که به اشتباه منفی در نظر گرفته شده‌اند هستیم، این معیار کاربرد دارد. TP/(TP+FN)۴. امتیاز F1: یک میانگین موزون از دقت و میزان حساسیت هست. در واقع یک توازنی بین آن‌ها ایجاد می‌کند و زمانی مناسب هست که کلاس‌های مجموعه داده نامتوازن هستند.۵. ناحیه زیر منحنی (ROC-AUC): در واقع یک نموداری از مقایسه دو نرخ مقادیری که ذاتی مثبت بوده‌اند و مثبت پیش بینی شده اند و مقادیری که به صورت ذاتی غلط بوده‌اند و به اشتباه مثبت در نظر گرفته شده‌اند هست. این معیار به صورت به خصوصی برای مدل‌های طبقه بند دودویی مناسب هستند.۶. لگاریتم فقدان (Cross-Entropy): میزان لگاریتم نزدیکی احتمال‌های پیش بینی شده را نسبت به برچسب‌های واقعی در نظر می‌گیرد. برای ارزیابی کارایی مدل‌هایی به کار می‌رود که خروجی آن‌ها احتمال هست.۷. کوهن کاپا: میزان توافق بین برچسب‌های پیش بینی شده و واقعی با احتساب شانس تصادفی بودن آن‌ها را اندازه گیری می‌کند. اغلب برای برآورد کارایی پایایی ارزیابان مورد استفاده قرار می‌گیرد.۸. ماتریس درهم ریختگی (Confusion Matrix): جدولی شامل مقادیر مثبت درست، غلط درست، ذاتا غلط ولی به اشتباه درست و ذاتا درست و به اشتباه غلط را در نظر می‌گیرد. از آن می‌توان برای محاسبه‌ی دیگر معیارها استفاده کرد. آکادمی ساینس آرمان آکادمی ساینس آرمان Sat, 11 Nov 2023 12:53:40 +0330 https://virgool.io/@akademi_arman/%D8%AA%D9%82%D8%B3%DB%8C%D9%85-%D9%85%D8%AC%D9%85%D9%88%D8%B9%D9%87-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-reluh9uhhm8j تقسیم داده یک گام مهم و اساسی در فرآیند یادگیری ماشین هست که به شما در ارزیابی و بهینه سازی مدل‌هایتان به طور مناسبی کمک می‌کند. تقسیم داده نوعا شامل سه بخش اساسی خواهد بود: مجموعه آموزش، مجموعه اعتبار سنجی و مجموعه آزمون. ۱. مجموعه آموزش: قسمت عظیم و بزرگ مجموعه داده مربوط به مجموعه آموزش است که معمولا حدود ۷۰ تا ۸۰ درصد آن را در بر می‌گیرد. از این مجموعه برای آموزش مدل استفاده می‌شود. در حین آموزش، مدل، الگوها و روابط بین نقاط داده را یاد می‌گیرد. خیلی مهم است که اطمینان حاصل شود، مجموعه آموزش، نماینده خوبی از کل داده هست. ۲. مجموعه اعتبار سنجی: چیزی در حدود ۱۰ تا ۱۵ درصد مجموعه داده را شامل شده و از آن در حین توسعه مدل و تنظیم ابرپارامترها استفاده می‌شود. به عنوان یک مجموعه داده مقاوم شناخته می‌شود که کمک می‌کند از طریق آن کارایی مناسب مدل خود را برآورده کنید. شما می‌توانید ابرپارامترها و انواع مختلف مدل را تعیین و ارزیابی کرده تا بهترین تنظیمات و مدل را انتخاب کنید.۳. مجموعه داده آزمون: مجموعه آزمون، بخش کوچکتر مجموعه داده هست که چیزی حدود ۱۰ تا ۱۵ درصد آن را شامل می‌شود. این مجموعه داده از مجموعه داده آموزش و اعتبار سنجی جدا و مجزا است. این مجموعه داده برای ارزیابی کارایی مدل نهایی بعد از آموزش و تنظیم پارامترهای آن مورد استفاده قرار می‌گیرد. در واقع به عنوان تخمینی از کارایی مورد انتظار از مدل در حین مواجه شدن با داده‌های دیده نشده و واقعی جهان امروزی است. آکادمی ساینس آرمان آکادمی ساینس آرمان Fri, 10 Nov 2023 15:24:50 +0330 https://virgool.io/@akademi_arman/%D8%B1%D9%88%D8%B4-%D9%87%D8%A7%DB%8C-%D8%AA%D9%86%D8%B8%DB%8C%D9%85-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-itfdc09odz4v ۶. افزایش داده: این روش اغلب در تصاویر استفاده می‌شود. شامل ایجاد انواع مختلف از داده آموزشی با اعمال تبدیلاتی همچون چرخش، مقیاس بندی، یا کپی کردن هست. همین امر سبب افزایش تنوع در مجموعه داده آموزشی و کاهش فرا برازش خواهد شد.۷. هرس کردن (درخت‌های تصمیم): هرس کردن در درخت‌های تصمیم استفاده می‌شود تا شاخه‌هایی که تاثیر قابل توجهی در کارایی مدل ندارند حذف شوند. همین امر سبب ساده شدن درخت و جلوگیری از فرا برازش می‌شود.۸. اشتراک گذاری پارامتر: در شبکه‌های عصبی پیچشی، اشتراک گذاری پارامتر نوعی از تنظیم است. این روش شامل اشتراک گذاری وزن‌ها بین فیلتر‌ها خواهد بود که تعداد پارامترها را کاهش می‌دهد و سبب بهبود تعمیم یافتگی مدل خواهد شد.۹. واپاشی وزن: واپاشی وزن شبیه به تنظیم L2 هست و شامل تعیین ضریب جریمه‌ای برای تابع فقدان مبتنی بر بزرگی وزن‌ها خواهد بود. هین امر، مدل را از داشتن وزن‌های بزرگ باز می دارد.۱۰. نرمال سازی دسته: در شبکه‌های عصبی مصنوعی برای نرمال سازی توابع فعالیت در لایه‌های مذکور به کار می‌رود. از فرا برازش جلوگیری کرده و سرعت آموزش را بالا می‌برد. آکادمی ساینس آرمان آکادمی ساینس آرمان Thu, 09 Nov 2023 14:10:58 +0330 https://virgool.io/@akademi_arman/%D8%B1%D9%88%D8%B4-%D9%87%D8%A7%DB%8C-%D8%AA%D9%86%D8%B8%DB%8C%D9%85-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-etohruzzvzoc تنظیم در یادگیری ماشین به منظور جلوگیری از فرا برازش و بهبود تعمیم یافتگی مدل‌ها در کارایی هست. در واقع تنظیم، جریمه‌ها و محدودیت‌هایی را در نظر می‌گیرد که از پیچیده شدن مدل‌ها جلوگیری می‌کنند. تنظیم، انواع مختلف دارد:۱. تنظیم L1 ( لاسو): یک ضریب جریمه بر روی تابع فقدان مبتنی بر مقادیر مطلق ضرایب مدل، وضع می‌کند. این مدل را تشویق می‌کند که زیر مجموعه‌ای از ویژگی‌های پر اهمیت را انتخاب کند در صورتی که مابقی را صفر در نظر می‌گیرد.۲. تنظیم L2 (ریج): یک ضریب جریمه برای تابع فقدان مبتنی بر مجذور ضرایب مدل، تعیین می‌کند. همین سبب می‌شود که ویژگی‌هایی دارای وزن غیر صفر کوچکی وجود داشته باشد و تاثیر ویژگی‌های تکی و منفرد کاهش یابد.۳. تنظیم شبکه Elastic: یک ترکیبی از تنظیم‌های L1 و L2 ایجاد می‌کند که اجازه می‌دهد تا بین انتخاب ویژگی L1 و میزان آب رفتگی ضرایب مدل در L2 یک توازن برقرار شود.۴. حذف تصادفی (شبکه‌های عصبی مصنوعی): یک تکنیک است که در شبکه‌های عصبی مصنوعی مورد استفاده قرار می‌گیرد. به صورت تصادفی، کسری از نورون‌های شبکه را در حین آموزش غیر فعال می‌کند. همین امر سبب جلوگیری از فرا برازش مدل و بهبود تعمیم یافتگی آن در کارایی می‌شود.۵. توقف زودرس: این روش شامل تحت نظارت گرفتن کارایی مدل بر روی مجموعه اعتبار سنجی در حین آموزش است. آموزش زمانی که کارایی اعتبار سنجی شروع به کاهش کند، توقف می‌یابد. همین امر از فرا برازش مدل جلوگیری می‌کند. آکادمی ساینس آرمان آکادمی ساینس آرمان Thu, 09 Nov 2023 13:22:36 +0330 https://virgool.io/@akademi_arman/%D8%B2%DB%8C%D8%B1-%D8%A8%D8%B1%D8%A7%D8%B2%D8%B4-%D9%88-%D9%81%D8%B1%D8%A7-%D8%A8%D8%B1%D8%A7%D8%B2%D8%B4-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-ky9ubqltnwxi زیر برازش (Underfitting): زیر برازش زمانی رخ می‌دهد که مدل یادگیری ماشین بسیار ساده هست که بتواند ساختار داده را دریافت و درک کند. به خوبی بر روی مجموعه آموزشی کارایی ندارد و همچنین بر روی داده‌های دیده نشده ( مجموعه اعتبار سنجی یا آزمون) ضعیف عمل می‌کند. تمام این موارد بخاطر ظرفیت کم مدل و پیچیدگی آن در تحلیل داده است.*دلایل رخداد آن: ۱) استفاده از مدل ساده با پارامتر‌های کمتر. ۲) آموزش نامناسب یا تعداد مرتبه‌های کم جهت آموزش. ۳) استفاده از regularization اضافی که سبب جریمه بیشتر مدل و کاهش پیچیدگی آن می‌شود.*نشانه‌های رخداد آن: ۱) خطای بالا در آموزش ۲) خطای بالا در مجوعه اعتبار سنجی ۳) عملکرد ضعیف در مواجه شدن با داده‌های جدید*چگونه آن را بر طرف کنیم؟ ۱) پیچیدگی مدل را با اضافه کردن پارامترهای بیشتر یا معماری پیچیده‌تر افزایش دهیم. ۲) مدل را برای دوره‌های بیشتر آموزش دهیم. ۳) مقدار ‌regularization را کاهش دهیم یا به طور کامل آن را حذف کنیم. ۴) استفاده از ویژگی‌های مرتبط بیشتر یا پیش پردازش داده به صورت متفاوت.فرا برازش (Overfitting): زمانی رخ می‌دهد که مدل بیش از حد پیچیده هست و مقادیر نویز بیشتری نسبت به الگو‌های اساسی دریافت و درک می‌کند. همانطور که عملکرد خوبی بر روی مجموعه آموزش دارد، ولی عملکرد آن در مواجه شدن با داده‌های جدید به طرز قابل توجهی کاهش می‌یابد. در واقع مدل مجموعه آموزش را به خوبی یاد گرفته است.*دلایل رخداد آن: ۱) استفاده از مدل پیچیده همراه با پارامترهای بسیار ۲) آموزش مدل در مرتبه‌های زیاد ۳) فقدان و نبود regularization، که همین امر سبب می‌شود تا مدل با نویز عجین شده و بر اساس آن برازش شود.*نشانه‌های رخداد آن: ۱) خطای آموزش کم ۲) خطای اعتبار سنجی زیاد ۳) عملکرد ضعیف مدل در مواجه شدن با داده‌های جدید*چگونه آن را برطرف کنیم؟ ۱) کاهش پیچیدگی مدل با استفاده از مدل ساده‌تر یا محدود کردن پارامترها ۲) به کار گیری تکنیک‌هایی همچون L1 و L2 که جزو regularization ها هستند. ۳) افزایش حجم مجموعه‌های آموزش به منظور دید مفهومی‌تر از الگوهای اساسی. ۴) استفاده از تکنیک‌هایی همچون cross-validation به منظور کارایی بهتر مدل و جلوگیری از فرا برازش.هدف در اینجا ایجاد یک تعادلی بین زیر برازش و فرابرازش هست که به عنوان بده بستان "bias-variance" شناخته می‌شود. در واقع پیچیدگی مدل باید آنگونه باشد که الگوهای اساسی را درک کند و بر اساس نویز برازش نشود. آکادمی ساینس آرمان آکادمی ساینس آرمان Mon, 06 Nov 2023 15:16:09 +0330 https://virgool.io/@akademi_arman/%D8%B4%D8%A7%D8%AE%D9%87-%D9%87%D8%A7%DB%8C-%D9%85%D8%AE%D8%AA%D9%84%D9%81-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%B3%D9%88%D9%85-lccvqrdsulkc ۱۳. یادگیری داده ساختار: این شاخه با داده‌های ساختار یافته که به صورت رسمی در پایگاه داده‌ها و برگه‌های اکسل هستند، سر و کار دارد. الگوریتم‌هایی مانند درخت‌های تصمیم و جنگل‌های تصادفی بر روی این مجموعه داده‌ها اعمال می‌شوند.۱۴. یادگیری چند نمونه‌ای: در موقعیت‌هایی مطرح می‌شود که داده به کیسه‌هایی گروه بندی می‌شود و هدف این است که مشخص کنیم کل کیسه مثبت یا منفی است با توجه به نمونه‌هایی که دارد.۱۵. یادگیری ماشین کوانتومی: از کامپیوتر‌های کوانتومی برای اجرای وظایف یادگیری ماشین به صورت کاراتر، مخصوصا برای مسائل بهینه سازی پیچیده استفاده می‌شود. آکادمی ساینس آرمان آکادمی ساینس آرمان Sun, 05 Nov 2023 23:27:21 +0330 https://virgool.io/@akademi_arman/%D8%B4%D8%A7%D8%AE%D9%87-%D9%87%D8%A7%DB%8C-%D9%85%D8%AE%D8%AA%D9%84%D9%81-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-ttsvf91vt3uk ۷. یادگیری گروهی: در این یادگیری چندین مدل با یکدیگر ترکیب شده تا کارایی پیش بینی‌گر افزایش یابد. تکنیک‌هایی شامل bagging و boosting استفاده می‌شوند تا گروه‌ها ساخته شوند.۸. یادگیری نمونه محور: روش‌های متداول در این یادگیری از قبیل k- نزدیکترین همسایه هستند که وابسته به میزان شباهت بین نمونه‌ها است و بر اساس آن پیش بینی‌ها انجام می‌شوند. آن‌ها داده‌های آموزشی را ذخیره می‌کنند و سپس نمونه جدید با نقاط داده آموزشی مقایسه شده تا پیش بینی انجام شود. ۹. شناسایی نابهنجاری: الگوریتم‌های شناسایی نابهنجاری داده‌های پرت یا الگوهای غیر معمول را مشخص می‌کنند. این ماجرا در مواردی همچون شناسایی اعمال خرابکارانه، امنیت شبکه و کیفیت کنترل یک امر بحرانی است.۱۰. پردازش زبان طبیعی: در اینجا تمرکز بر توانایی مدل‌ها به منظور درک، تولید و پردازش زبان انسانی هست. تکنیک‌هایی همچون طبقه بندی متون، تحلیل احساسات و تولید زبان از این دسته هستند.۱۱. بینایی ماشین: الگوریتم‌ها طراحی شده‌اند تا داده‌های بصری شامل تصاویر و ویدئو‌ها را پردازش و درک کنند. کاربرد‌های مرسوم شامل طبقه بندی تصاویر، شناسایی اشیا و تشخیص چهره هستند.۱۲. تحلیل سری‌های زمانی: الگوریتم‌های تحلیل سری زمانی برای تحلیل داده‌هایی مورد استفاده قرار می‌گیرند که نسبت به زمان در حال تغییر هستند. این کاربرد‌ها شامل پیش بینی بازار سهام، پیش بینی آب و هوا و پیش بینی تقاضا هستند. آکادمی ساینس آرمان آکادمی ساینس آرمان Thu, 02 Nov 2023 22:03:10 +0330 https://virgool.io/@akademi_arman/%D8%B4%D8%A7%D8%AE%D9%87-%D9%87%D8%A7%DB%8C-%D9%85%D8%AE%D8%AA%D9%84%D9%81-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-lxtyqu40dpn1 ۱. یادگیری با نظارت: در این یادگیری، الگوریتم‌ها بر روی داده‌های برچسب دار آموزش می‌بینند به این صورت که داده‌های ورودی به صورت جفتی با خروجی صحیح قرار می‌گیرند. در واقع هدف ایجاد نگاشتی از ورودی‌ها به خروجی‌ها است. برای مواردی همچون مسائل طبقه بندی و رگرسیون مناسب هستند.۲. یادگیری بدون ناظر: در واقع یادگیری با داده‌های بدون برچسب سر و کار دارد. هدف، کشف الگوهای مخفی، ساختارها یا ارتباطات بین نقاط داده هست. وظایف متداول در این مورد از قبیل خوشه‌بندی و کاهش ابعاد داده هستند. ۳. یادگیری نیمه نظارتی: این نوع الگوریتم‌های یادگیری هر دو مورد یادگیری بدون ناظر و با نظارت را با هم ترکیب می‌کنند. از بخش کوچکی از داده‌های برچسب دار و بخش بزرگی از داده‌های بدون برچسب را استفاده کرده تا کارایی مدل را بهبود ببخشند.۴. یادگیری تقویتی: یادگیری تقویتی بر عامل‌های یادگیری تمرکز دارد که یک سری از تصمیمات را در محیط تعریف شده انجام می‌دهند که پاداش کلی را بیشینه کنند. در مواردی همچون رباتیک، بازی سازی و سیستم‌های خودکار کاربرد دارند.۵. یادگیری عمیق: یادگیری عمیق یک زیر حوزه از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با تعداد لایه‌های زیاد استفاده می‌کند. مخصوصا برای مواردی همچون تشخیص صدا، تصاویر و پردازش زبان طبیعی مناسب و قدرتمند است.۶. یادگیری انتقال: این یادگیری شامل استفاده از مدل از پیش آموزش دیده به منظور نقطه شروعی برای یک مسئله و وظیفه جدید است. این راهکار زمان آموزش و داده را در حین بهبود کارایی حفظ می‌کند. آکادمی ساینس آرمان آکادمی ساینس آرمان Thu, 02 Nov 2023 00:01:58 +0330 https://virgool.io/@akademi_arman/%DA%A9%D8%AA%D8%A7%D8%A8-%D9%87%D8%A7%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-mowdb3mvbddj ۱. کتاب "introduction to Machine Learning with Python: A Guide for Data Scientists" نوشته شده توسط Andreas C.Muller & Sarah Guido: این کتاب برای کسانی که مبتدی هستند، مناسب است. شامل مثال‌های عملی هست و بر روی استفاده از scikit-learn در مسائل مختلف یادگیری ماشین متمرکز است.۲. کتاب "Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow" نوشته شده توسط Aurelien Geron: این کتاب به صورت گسترده یکی از بهترین منابع برای یادگیری عملی یادگیری ماشین سنتی توسط scikit-learn و یادگیری عمیق به واسطه استفاده از Tensorflowو Keras است.۳. کتاب "Python Machine Learning" نوشته شده توسط Sebastian Raschka & Vahid Mirjalili: این کتاب مفهومی بازه وسیعی از موضوعات یادگیری ماشین را همراه با مثال‌های عملی پوشش می‌دهد. برای یادگیرندگان مبتدی و سطح متوسط مناسب است.۴. کتاب "Deep Learning" نوشته شده توسط Ian Godfellow, Yoshua Bengio & Aaron Courville: برای کسانی که علاقه‌مند به عمیق شدن در مفاهیم یادگیری عمیق هستند، یک منبع قابل اطمینان و مناسب هست. این کتاب مفاهیم تئوری و جنبه‌های عملی یادگیری عمیق را پوشش می‌دهد.۵. کتاب "Python Machine Learning for Predictive Data Analysis" نوشته شده توسط Michael Bowles: این کتاب تمرکز بر روی مدل سازی پیش بینی‌گر و کاربرد‌های عملی آن دارد. به شما در ساخت مدل‌های پیش بینی‌گر با استفاده از زبان پایتون کمک خواهد کرد.۶. کتاب "Machine Learning Yearning" نوشته شده توسط Andrew Ng: این کتاب توسط یکی از پیشروان یادگیری ماشین، Andrew Ng، نوشته شده است. شامل راهنمایی‌هایی عملی در چگونگی به کارگیری و مدیریت پروژه‌های یادگیری ماشین به صورت تاثیرگذار هست.۷. کتاب "Machine Learning: A Probabilistic Perspective" نوشته شده توسط Kevin P.Murphy: اگر به دنبال درک عمیق‌تری از مفاهیم احتمالاتی در یادگیری ماشین هستید، این کتاب یک انتخاب عالی برای شما خواهد بود.۸. کتاب "Pattern Recognition and Machine Learning" نوشته شده توسط Christopher M. Bishop: کتاب اساسی دیگری که بینش و درک درستی از الگوریتم‌های یادگیری ماشین مختلف و تکنیک های تشخیص الگو را فراهم می‌کند.۹. کتاب "Building Machine Learning Powered Applications" نوشته شده توسط Emmanuel Ameisen: این کتاب بر توسعه نرم افزار‌های کاربردی با استفاده از یادگیری ماشین تمرکز دارد. به خصوص برای کسانی که علاقه‌مند به راه اندازی مدل‌های یادگیری ماشین در پروژه‌های واقعی هستند، مناسب است.۱۰. کتاب "Data Science for Business" نوشته شده توسط Foster Provost & Tom Fawcett: این کتاب به صورت مشخص در مورد زبان پایتون نیست، بلکه درک خوبی از چگونگی برازش یادگیری ماشین در زمینه‌های گسترده‌تر علوم داده و کاربرد‌های آن در تجارت می‌دهد. آکادمی ساینس آرمان آکادمی ساینس آرمان Wed, 01 Nov 2023 13:25:15 +0330