تطبيق عملي على التعلم غير الخاضع للإشراف باستخدام Python - تأليف Ankur A Patel (غلاف ورقي)

عن الكتاب يعتبر العديد من خبراء الصناعة أن التعلم غير الخاضع للإشراف هو الآفاق الجديدة في مجال الذكاء الاصطناعي، وهو المجال الذي قد يحمل المفتاح للوصول إلى الهدف الأسمى في أبحاث الذكاء الاصطناعي، وهو ما يُعرف بالذكاء الاصطناعي العام. وبما أن غالبية البيانات في العالم غير مصنفة، فلا يمكن تطبيق التعلم الخاضع للإشراف التقليدي؛ وهنا يأتي دور التعلم غير الخاضع للإشراف. حيث يمكن تطبيق التعلم غير الخاضع للإشراف على مجموعات البيانات غير المصنفة لاكتشاف أنماط ذات مغزى مدفونة في أعماق البيانات، وهي أنماط قد يكون من المستحيل تقريباً على البشر اكتشافها. يقدم المؤلف Ankur Patel معرفة عملية حول كيفية تطبيق التعلم غير الخاضع للإشراف باستخدام إطارَي عمل بسيطين وجاهزين للاستخدام في بيئات الإنتاج وهما scikit-learn و TensorFlow باستخدام Keras. ومن خلال الأمثلة التطبيقية والأكواد البرمجية المقدمة، ستتمكن من تحديد الأنماط التي يصعب العثور عليها في البيانات، واكتساب رؤى تجارية أعمق، وكشف الحالات الشاذة، وإجراء هندسة الميزات واختيارها تلقائياً، وإنشاء مجموعات بيانات اصطناعية. كل ما تحتاجه للبدء هو معرفة بالبرمجة وبعض الخبرة في مجال تعلم الآلة. ملخص الكتاب يعتبر العديد من خبراء الصناعة أن التعلم غير الخاضع للإشراف هو الآفاق الجديدة في مجال الذكاء الاصطناعي، وهو المجال الذي قد يحمل مفتاح الوصول إلى الذكاء الاصطناعي العام. ونظراً لأن غالبية البيانات في العالم غير مصنفة، فلا يمكن تطبيق التعلم الخاضع للإشراف التقليدي. وفي المقابل، يمكن تطبيق التعلم غير الخاضع للإشراف على مجموعات البيانات غير المصنفة لاكتشاف أنماط ذات معنى مدفونة في أعماق البيانات، وهي أنماط قد يكون من المستحيل تقريباً على البشر اكتشافها. يستعرض المؤلف Ankur Patel كيفية تطبيق التعلم غير الخاضع للإشراف باستخدام إطارَي عمل بسيطين وجاهزين للاستخدام في بيئات الإنتاج، وهما Scikit-learn و TensorFlow باستخدام Keras. ومن خلال الأكواد البرمجية والأمثلة التطبيقية، سيتمكن علماء البيانات من تحديد الأنماط التي يصعب العثور عليها في البيانات، واكتساب رؤى تجارية أعمق، وكشف الحالات الشاذة، وإجراء هندسة الميزات واختيارها تلقائياً، بالإضافة إلى إنشاء مجموعات بيانات اصطناعية. كل ما تحتاجه للبدء هو معرفة بالبرمجة وبعض الخبرة في مجال تعلم الآلة. قارن بين نقاط القوة والضعف لمختلف أساليب تعلم الآلة: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم التعزيزي. قم بإعداد وإدارة مشاريع تعلم الآلة من البداية إلى النهاية. ابنِ نظاماً لكشف الشذوذ بهدف رصد عمليات الاحتيال في البطاقات الائتمانية. قم بتجميع المستخدمين في مجموعات متميزة ومتجانسة. نفذ التعلم شبه الخاضع للإشراف. طور أنظمة توصية بالأفلام باستخدام آلات بولتزمان المقيدة. أنشئ صوراً اصطناعية باستخدام الشبكات التنافسية التوليدية.

نبذة عن المؤلف

أنكور باتيل هو باحث في مجال تعلم الآلة التطبيقي وعالم بيانات يتمتع بخبرة واسعة في الأسواق المالية. يركز عمله على التعلم غير الخاضع للإشراف، ومعالجة اللغات الطبيعية، والتنبؤ بالسلاسل الزمنية، ومشكلات البيانات المتسلسلة. يعمل أنكور حالياً كعالم بيانات في ThetaRay، وهي شركة ذكاء اصطناعي إسرائيلية، حيث يتخصص في استخراج الأنماط الخفية من البيانات الضخمة غير المصنفة لعملاء من جميع أنحاء العالم. بدأ أنكور مسيرته المهنية كمتداول رئيسي في الأسواق الناشئة لدى Bridgewater Associates، ثم قام لاحقاً بتأسيس وإدارة صندوق التحوط R-Squared Macro القائم على تقنيات تعلم الآلة.