کتاب یادگیری ماشین عملی با ML.NET انتشارات آتی‌ نگر

کتاب یادگیری ماشین عملی با ML.NET برای چه کسانی مفید خواهد بود؟

اگر توسعه دهنده NET هستید که می‌خواهید مدل‌های یادگیری ماشین را با استفاده از ML.NET پیاده‌سازی کنید، پس این کتاب برای شماست. این کتاب هم‌چنین برای دانشمندان داده و توسعه‌دهندگان یادگیری ماشین که به دنبال ابزارهای موثر برای پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین هستند مفید است. 

کتاب یادگیری ماشین عملی ML.NET در یک نگاه

فصل 1 شروع کار با یادگیری ماشین و ML.NET ، در باره این موضوع صحبت می‌کند که یادگیری ماشین چیست و یادگیری ماشین در جامعه امروزی ما چقدر اهمیت دارد. هم‌چنین ML.NET را معرفی می‌کند و به طور مفصل‌تر درباره شروع کار با آن پس از یادگیری ماشین و نحوه ارتباط با آن‌ها صحبت می‌شود.

در فصل 2، تنظیم محیط ML.NET به طور مفصل‌تر درباره‌ شروع به کار با ML.NET صحبت می‌شود، به مرور یادگیری ماشین ادامه داده می‌شود و اینکه چگونه ML.NET می‌تواند به توسعه و اجرای مدل‌ها در برنامه‌های کاربردی موجود و جدید کمک کند. شما مطمئن خواهید شد که محیط توسعه شما تنظیم شده است و فصل با یک مدل ساده از قبل آموزش دیده در یک برنامه‌ کاربردی کنسولی برای تشریح این مسئله به پایان می‌رسد که آماده ادامه آموزش هستید.

در فصل 3، مدل رگرسیون، درباره استفاده از مدل رگرسیون و رگرسیون لجستیک در ML.NET و همین‌طور درباره ریاضی و این‌که این مدل‌ها می‌توانند به حل کدام مسائل کمک کنند، صحبت می‌شود. به علاوه این فصل توضیح گام‌به‎‌گامی درباره چگونگی ایجاد و کار کردن با هر دو مدل رگرسیون و رگرسیون لجستیک در ML.NET  می‌دهد. در انتهای این فصل به طور مفصل به یک برنامه کاربردی کنسولی کامل با استفاده از مجموعه داده هر دوی مدل‌ها در ML.NET پرداخته می‌شود.

در فصل 4، مدل دسته‌بندی، در درباره استفاده از مدل‌های آموزش دسته‌بندی‌ها در ML.NET و اینکه مدل دسته بندی به حل کدام مشائل می‌تواند کمک کند، پرداخته می‌شود. برای این فصل دو برنامه کاربردی برای تشریح پشتیبانی آموزش دهنده دسته‌بندی در ML.NET  ایجاد خواهد شد. اولی پیش‌بینی می‌کند آیا یک خودرو بر اساس ویژگی‌های متعدد و قیمت‌های مقایسه‌ای با استفاده از آموزش دهنده FAST TREE  که ML.NET ارائه می‌دهد، با ارزش است. برنامه کاربردی دوم، داده‌های ایمیل  (sender,body, subject)  را با آموزش‌دهنده SDCA  در ML.NET  برای دسته‌بندی ایمیل به عنوان friend یا  spam, order می‌گیرد. از طریق این برنامه‌های کاربردی، خواهید آموخت چگونه مدل‌های دسته‌بندی را ارزیابی کنید.

در فصل 5 مدل خوشه‌بندی، درباره استفاده از آموزش‌دهنده خوشه‌بندی k-means در ML.NET صحبت می‌شود. هم‌چنین بیان می‌شود که مدل خوشه‌بندی به حل کدام مسائل می‌تواند کمک کند. در این فصل، از آموزش دهنده خوشه k-means  استفاده خواهیم کرد که ML.NET  برای ایجاد یک برنامه کاربردی نمونه ارائه می‌دهد که فایل‌ها را به عنوان فایل‌های اجرایی، اسناد یا اسکریپت‌ها دسته‌بندی می‌کند. به علاوه خواهید آموخت که چگونه مدل‌های خوشه‌بندی را در ML.NET  ارزیابی کنید.

در فصل 6، مدل تشخیص ناهنجاری، درباره استفاده از مدل تشخیص ناهنجاری در ML.NET  و اینکه این مدل تشخیص ناهنجاری به حل کدام مسائل می‌تواند کمک کند، صحبت می‌شود. برای این فصل دو برنامه  کاربردی نمونه را ایجاد خواهیم کرد. اولی از ML.NET  با  SSA برای تشخیص ناهنجاری‌ها ترافیک شبکه استفاده می‌کند، در حالی که مثال دوم از ML.NET با  PCA  برای تشخیص ناهنجاری‌ها در مجموعه‌ای از ورودهای کاربر استفاده می‌کند. در این برنامه‌های کاربردی، به بررسی چگونگی امکان ارزیابی مدل تشخیص ناهنجاری شما هنگام آموزش پرداخته خواهد شد. 

در فصل 7 مدل تجزیه ماتریس، درباره استفاده از مدل تجزیه ماتریس در  ML.NET  و همین‌طور ریاضی و اینکه مدل تجزیه ماتریس به حل کدام مسائل می‌تواند کمک کند، پرداخته می‌شود. در این فصل یک مدل توصیه موسیقی را با استفاده از آموزش دهنده تجزیه ماتریس ایجاد خواهیم کرد که ML.NET  ارائه می‌دهد. این موتور توصیه با استفاده از چند نقطه داده، موسیقی را بر اساس داده آموزشی ارائه شده به مدل توصیه خواهد کرد. به علاوه پس از ایجاد این برنامه کاربردی، می‌آموزید چگونه مدل تجزیه ماتریس  را در  ML.NET ارزیابی کنید.

در فصل 8 استفاده از  ML.NET با  NET  و  forecasting یک برنامه کاربردی واقعی بررسی می‌شود که به NET Core  می‌پردازد و از مدل رگرسیون و سری‌های زمانی برای تشریح پیش‌بینی روی سهام افراد استفاده می‌کند.

در فصل 9، استفاده از ML.NET با  ASP.NET Core، یک برنامه کاربردی واقعی بررسی می‌شود که از ASP.NET با یک فرانت‌اند برای آپلود فایل جهت تعیین مغرضانه بودن آن بهره می‌برد.  در این فصل، بر استفاده از دسته‌بندی دودویی و چگونگی یکپارچه سازی آن در یک برنامه کاربردی ASP.NET پرداخته می‌شود.

در فصل 10، استفاده از ML.NET با UWP، یک برنامه کاربردی واقعی بررسی می‌شود که از UWP و ML.NET  استفاده می‌کند. این برنامه کاربردی از ML.NET برای دسته‌بندی این مسئله استفاده خواهد کرد که آیا محتوای صفحه وب مغرضانه است یا خیر. در این فصل هم‌چنین به طراحی برنامه کاربردی UWP و MVVM به اختصار پرداخته خواهد شد که یک برنامه کاربردی نمونه آماده تولید واقعی را برای ساخت و انطباق با برنامه‌های کاربردی دیگر را برای استفاده از UWP با ML.NET ارائه می‌دهد.

در فصل 11، آموزش و مدل‌های تولیدی، به آموزش یک مدل در مقیاس با همه ملاحظات و همین‌طور آموزش مناسب یک مدل تولیدی با استفاده از یک پروژه DMTP، پرداخته می‌شود. درس آموخته‌ها شامل اکتساب مجموعه‌های آموزشی مناسب ( تنوع، کلید کار است)، ویژگی‌های مناسب و ارزیابی واقعی مدل هستند. تمرکز این فصل بر نکات، ترفند‌ها و به روش‌ها برای آموزش مدل‌های آماده تولید است.

در فصل 12، استفاده از TensorFlow  از قبل آموزش دیده با ML.NET برای تعیین این مسئله استفاده می‌شود که آیا خودرو در یک عکس وجود دارد یا خیر(با استفاده از برنامه کاربردی UWP) صحبت می‌شود.

در فصل 13، استفاده از ONNX با ML.NET، درباره استفاده از یک مدل ONNX از قبل آموزش دیده با ML.NET صحبت می‌شود. هم‌چنین به ارزش افزوده با گرفتن مستقیم یک مدل به فرمت ONNX از قبل موجود در ML.NET اشاره می‌شود.