Python ile Makine ve Derin Öğrenmeyi Kapsayan PyTorch ve Scikit-Learn Rehberi
Bu kitap, "Machine Learning with PyTorch and Scikit-Learn," adlı kapsamlı rehber, Python geliştiricileri ve veri bilimcileri için güçlü bir kaynaktır. Temel makine öğrenimi ve derin öğrenme tekniklerini anlamak, uygulamak ve en son trendleri takip etmek isteyen herkes için tasarlanmıştır. Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili ve Dmytro Dzhulgakov tarafından yazılan bu kitap, sadece yönergeleri takip etmeyi öğretmek yerine ilkeleri öğretmeye odaklanarak okuyuculara kendi modellerini ve uygulamalarını oluşturma becerisi kazandırmaktadır.
PyTorch'un kullanımını vurgulayan kitap, makine öğrenimini öğrenmenin ve kodlamanın daha kolay ve basit bir yolunu sağlar. Temel PyTorch bileşenlerini anlamak ve PyTorch Lightning ile PyTorch Geometric gibi popüler kütüphaneleri kullanarak modeller oluşturmak, kitabın odak noktalarındandır.
Bu kaynak, görüntüler, metin ve daha fazlası üzerinde makine öğrenimi sınıflandırıcıları eğitmek, sinir ağları, transformerlar ve boosting algoritmaları inşa etmek gibi konularda net açıklamalar, görselleştirmeler ve örneklerle doludur. GAN'lar, pekiştirmeli öğrenme, grafiksel sinir ağları ve doğal dil işleme için kullanılan büyük ölçekli transformerlar gibi gelişmiş konuları da içerir.
Bu kitap, Python temellerine sahip olan ve makine öğrenimi ve derin öğrenmeye giriş yapmak isteyenler, ya da bu alanlardaki bilgilerini derinleştirmek isteyen geliştiriciler ve veri bilimcileri için vazgeçilmez bir kaynaktır. Okuyuculardan, başlamadan önce iyi bir matematik anlayışına, özellikle de kalkülüs ve lineer cebir konularında bir temele sahip olmaları beklenmektedir.
İçindekiler:
1. Bilgisayarlara Verilerden Öğrenme Yeteneği Vermek
2. Sınıflandırma için Basit Makine Öğrenimi Algoritmalarının Eğitimi
3. Scikit-Learn Kullanan Makine Öğrenimi Sınıflandırıcıları Turu
4. İyi Eğitim Veri Kümeleri Oluşturma - Veri Ön İşleme
5. Boyut Azaltma Yoluyla Verileri Sıkıştırma
6. Model Değerlendirme ve Hiperparametre Ayarlama için En İyi Uygulamaları Öğrenme
7. Toplulukla Öğrenim İçin Farklı Modelleri Birleştirmek
8. Makine Öğrenimini Duygu Analizine Uygulamak
9. Regresyon Analizi ile Sürekli Hedef Değişkenlerin Tahmin Edilmesi
10. Etiketlenmemiş Verilerle Çalışmak - Kümeleme Analizi
