تعلم الآلة باستخدام PyTorch و Scikit-Learn - (غلاف ورقي)

حول الكتاب يغطي هذا الكتاب تقنيات تعلم الآلة الأساسية بعمق، معززاً بشروحات واضحة، ورسوم توضيحية، وأمثلة تطبيقية، بالإضافة إلى تقنيتين متطورتين في مجال تعلم الآلة وهما: transformers والشبكات العصبية الرسومية graph neural networks.

ملخص الكتاب يُعد هذا الكتاب، ضمن سلسلة Python Machine Learning الأكثر مبيعاً والتي نالت استحساناً واسعاً، دليلاً شاملاً لتعلم الآلة والتعلم العميق باستخدام إطار عمل PyTorch السهل في البرمجة. تتضمن عملية شراء النسخة المطبوعة أو نسخة Kindle كتاباً إلكترونياً مجانياً بصيغة PDF. الميزات الرئيسية:

• تعلم تعلم الآلة التطبيقي مع أساس نظري متين
• شروحات واضحة وبسيطة تغوص بك في الجوانب النظرية والعملية لتعلم الآلة باستخدام Python
• محدث بالكامل وموسع ليشمل PyTorch، وtransformers، وXGBoost، والشبكات العصبية الرسومية، وأفضل الممارسات

وصف الكتاب: يعد كتاب Machine Learning with PyTorch and Scikit-Learn دليلاً شاملاً لتعلم الآلة والتعلم العميق باستخدام PyTorch. وهو يعمل كدليل تعليمي خطوة بخطوة وكمرجع ستعود إليه باستمرار أثناء بناء أنظمة تعلم الآلة الخاصة بك. يأتي هذا الكتاب حافلاً بالشروحات الواضحة، والرسوم التوضيحية، والأمثلة، حيث يغطي جميع تقنيات تعلم الآلة الأساسية بعمق. وبينما تكتفي بعض الكتب بتعليمك كيفية اتباع التعليمات فحسب، فإننا في هذا الكتاب الخاص بتعلم الآلة، نعلمك المبادئ التي تتيح لك بناء النماذج والتطبيقات بنفسك. لماذا PyTorch؟ يُعد PyTorch الطريقة الأكثر توافقاً مع لغة Python لتعلم تعلم الآلة، مما يجعل عملية التعلم أسهل والبرمجة أكثر بساطة. يشرح هذا الكتاب الأجزاء الجوهرية في PyTorch وكيفية إنشاء النماذج باستخدام مكتبات شهيرة، مثل PyTorch Lightning و PyTorch Geometric. ستتعلم أيضاً عن الشبكات التنافسية التوليدية (GANs) لإنشاء بيانات جديدة، وتدريب الوكلاء الأذكياء باستخدام التعلم التعزيزي. وأخيراً، تم توسيع هذه الطبعة الجديدة لتغطي أحدث الاتجاهات في التعلم العميق، بما في ذلك الشبكات العصبية الرسومية والمحولات واسعة النطاق المستخدمة في معالجة اللغات الطبيعية (NLP). يعد كتاب PyTorch هذا رفيقك في رحلة تعلم الآلة باستخدام Python، سواء كنت مطور Python مبتدئاً في مجال تعلم الآلة أو كنت ترغب في تعميق معرفتك بأحدث التطورات. ما ستتعلمه:

• استكشاف أطر العمل والنماذج والتقنيات التي تُمكّن الآلات من التعلم من البيانات
• استخدام scikit-learn لتعلم الآلة و PyTorch للتعلم العميق
• تدريب مصنفات تعلم الآلة على الصور والنصوص وغيرها
• بناء وتدريب الشبكات العصبية، والمحولات (transformers)، وخوارزميات التعزيز (boosting algorithms)
• اكتشاف أفضل الممارسات لتقييم النماذج وضبطها
• التنبؤ بالنتائج المستهدفة المستمرة باستخدام تحليل الانحدار
• التعمق في البيانات النصية وبيانات وسائل التواصل الاجتماعي باستخدام تحليل المشاعر

لمن هذا الكتاب: إذا كان لديك إلمام جيد بأساسيات Python وترغب في البدء في تعلم... إذا كنت ترغب في تعلم تعلم الآلة والتعلم العميق، فهذا الكتاب هو الخيار الأمثل لك. يُعد هذا الكتاب مورداً أساسياً كُتب خصيصاً للمطورين وعلماء البيانات الذين يتطلعون إلى بناء تطبيقات عملية لتعلم الآلة والتعلم العميق باستخدام scikit-learn و PyTorch. وقبل البدء في قراءة هذا الكتاب، ستحتاج إلى فهم جيد لحساب التفاضل والتكامل، بالإضافة إلى الجبر الخطي. جدول المحتويات

• منح أجهزة الكمبيوتر القدرة على التعلم من البيانات
• تدريب خوارزميات تعلم الآلة البسيطة للتصنيف
• جولة في مصنفات تعلم الآلة باستخدام Scikit-Learn
• بناء مجموعات بيانات تدريب جيدة - المعالجة المسبقة للبيانات
• ضغط البيانات عبر تقليل الأبعاد
• تعلم أفضل الممارسات لتقييم النماذج وضبط المعلمات الفائقة (ملاحظة: يرجى استخدام خيار قراءة العينة للاطلاع على الفصول الإضافية)

اقتباسات المراجعات

أنا واثق من أنك ستجد هذا الكتاب ذا قيمة لا تُقدر بثمن، سواء كعرض شامل لمجال تعلم الآلة المثير أو ككنز من الرؤى العملية. آمل أن يلهمك هذا الكتاب لتطبيق تعلم الآلة من أجل تحقيق خير أكبر في مجال تخصصك، مهما كان.

Dmytro Dzhulgakov، أحد القائمين على صيانة PyTorch الأساسية

يغطي هذا الكتاب المكون من 700 صفحة معظم خوارزميات تعلم الآلة واسعة الاستخدام اليوم، وسيكون مفيداً بشكل خاص لكل من يرغب في فهم تعلم الآلة الحديث من خلال أمثلة برمجية عملية. كما يتناول الكتاب مجموعة متنوعة من المنهجيات، بدءاً من الخوارزميات الأساسية مثل الانحدار اللوجستي، وصولاً إلى أحدث المواضيع في التعلم العميق مثل نماذج اللغات BERT و GPT والشبكات التنافسية التوليدية. ويوفر الكتاب أمثلة لكل خوارزمية يناقشها تقريباً في شكل مريح من دفاتر Jupyter القابلة للتنزيل، والتي توفر الكود البرمجي وإمكانية الوصول إلى مجموعات البيانات. والأهم من ذلك، يقدم الكتاب تعليمات واضحة حول كيفية تحميل وبدء استخدام حزم البرمجيات المتطورة التي تستفيد من معالجات GPU، بما في ذلك PyTorch و Google Colab.

توم ميتشل، أستاذ في جامعة CMU ومؤسس قسم تعلم الآلة في جامعة CMU