100 Sayfada Makine Öğrenmesi Kitabı
The Hundred-Page Machine Learning Book
Andriy Burkov
Çeviri: Prof. Dr. Ali OKATAN, Tamer KARATEKİN, Dr. Kağan Okatan
farkımız, kitaplarımızda...
ISBN: 978-605-9594-77-6, Şubat 2021
152 sayfa, Renkli, (16,5x24 cm2), 80 gr 1. hamur kağıt şimdi satın al
Arka kapak yazısı.
Burkov, tüm makine öğrenmesi konularını, üstelik hem teorik hem de pratik uygulamaları da gözönüne alarak 100 sayfada anlatarak, nerede ise imkansız ve zor bir işi başarmıştır. Konu başlıklarını da öyle güzel seçmiştir ki, makine öğrenmesine ait temel bilgileri 100 sayfada (Türkçesi ~150 sayfa) ele almıştır.” - Peter Norvig (Google Araştırma Direktörü, Dünyadaki en ünlü Artificial Intelligence: A Modern Approach kitabının yazarı)
“Sadece 100 sayfa için kitabın içerdiği konuların genişliği ve derinliği inanılmaz derecede fazla! Burkov, bu kadar az sayfalı bir kitap da bile konunun temelini oluşturan matematiksel denklemleri ele almaktan kaçınmamış. Yazarın birkaç sözcükle temel kavramları açıklamasını çok beğendim. Bu kitap bu alana yeni girenlere olduğu kadar bu alanda çalışanlar için de çok yararlı ve kullanışlı olacaktır.” - Aurélien Géron (Deneyimli Yapay Zeka Mühendisi, Amazon’da en çok satan #1, Hands-On Machine Learning with Scikit-Learn and Tensor Flow kitabının yazarı)
“Bu kadar az sayfada hem matematiğe dayalı teorisini hem de uygulamalarını ele almak, gerçekten, konuda çok olgunluk gerektiren bir durum. Makine öğrenmesine ilgi duyan araştırmacı ve uygulamacılar için çok iyi bir başlangıç noktası olmuş. Yalnızca 100 sayfa okuyarak makine öğrenmesi konularına doğrudan giriş yapılabilir. Ayrıca makine öğrenmesi konusunun matematik olduğunu da vurgulaması, ayrıca, anlamlı olmuş.” - Toros Rifat Çölkesen (Akademisyen, Türkiye’de en çok satan Veri Yapıları ve Algoritmalar ile Bilgisayar Mühendisliği Matematiği kitabının yazarı)
|
|
|
|
 |
100-Sayfada Makine Öğrenmesi Kitabı PDF indir
İçindekiler
Önsöz
Başlarken
Bölüm 1. Giriş
1.1. Makine Öğrenmesi Nedir?
1.2. Öğrenme Türleri
1.2.1. Denetimli Öğrenme (Danışmanlı Öğrenme)
1.2.2. Denetimsiz Öğrenme (Danışmansız Öğrenme)
1.2.3. Yarı-Denetimli Öğrenme (Yarı Danışmanlı Öğrenme)
1.2.4. Takviyeli Öğrenme
1.3. Denetimli Öğrenme Nasıl Çalışır?
1.4. Model Neden Yeni Veriler Üzerinde Çalışıyor?
Bölüm 2. Gösterim ve Tanımlar
2.1. Gösterim
2.1.1. Veri Yapıları
2.1.2. Büyük Sigma Gösterimi
2.1.3. Büyük Pi Gösterimi
2.1.4. Kümeler Üzerindeki İşlemler
2.1.5. Vektörler Üzerindeki İşlemler
2.1.6. Fonksiyonlar
2.1.7. Maks ve Arg Maks
2.1.8. Atama Operatörü
2.1.9. Türev ve Gradyan
2.2. Rastgele Değişken
2.3. Tarafsız Tahminciler
2.4. Bayes Kuralı
2.5. Parametre Tahmini
2.6. Parametreler ve Hiper-parametreler
2.7. Sınıflandırma ve Regresyon
2.8. Model-Tabanlı ve Örnek-Tabanlı Öğrenme
2.9. Sığ ve Derin Öğrenme
Bölüm 3. Temel Algoritmalar
3.1. Doğrusal Regresyon
3.1.2. Problem İfadesi
3.1.2. Çözüm
3.2. Lojistik Regresyon
3.2.1. Problem İfadesi
3.2.2. Çözüm
3.3. Karar Ağacı Öğrenmesi
3.3.1. Problem İfadesi
3.3.2. Çözüm
3.4. Destek Vektör Makinesi
3.4.1. Gürültü ile Uğraşmak
3.4.2. Doğal Doğrusalsızlıkla Başa Çıkma
3.5. k-En Yakın Komşular
Bölüm 4. Öğrenme Algoritmasının Anatomisi
4.1. Öğrenme Algoritmasının Yapı Taşları
4.2. Gradyan İniş (Dereceli Alçalma)
4.3. Makine Öğrenmesi Mühendisleri Nasıl Çalışır?
4.4. Öğrenme Algoritmalarının Özellikleri
Bölüm 5. Temel Uygulama
5.1. Özellik Mühendisliği
5.1.1. Tek-Pozitif (One-Hot) Kodlama
5.1.2. Kutuya Koyma
5.1.3. Normalleştirme
5.1.4. Standartlaştırma
5.1.5. Eksik Özelliklerle Başa Çıkma
5.1.6. Veri Atama (İşleme) Teknikleri
5.2. Öğrenme Algoritması Seçimi
5.3. Üç Küme
5.4. Eksik Uyumluluk ve Aşırı Uyumluluk
5.5. Düzenlileştirme
5.6. Model Performans Değerlendirmesi
5.6.1. Karışıklık/Düzensizlik Matrisi
5.6.2. Kesinlik / Hatırlama
5.6.3. Kesinlik/Doğruluk
5.6.4. Maliyete Duyarlı Doğruluk
5.6.5. ROC Eğrisi Altındaki Alan (AUC)
5.7. Hiper-Parametre Ayarlama
5.7.1. Çapraz-Doğrulama
Bölüm 6. Sinir Ağları ve Derin Öğrenme
6.1. Sinir Ağları
6.1.1. Çok-Katmanlı Algılayıcı Örneği
6.1.2. İleri-Beslemeli Sinir Ağı Mimarisi
6.2. Derin Öğrenme
6.2.1. Evrişimsel (Convolutional) Sinir Ağı
6.2.2. Tekrarlayan Sinir Ağı
Bölüm 7. Problemler ve Çözümleri
7.1. Çekirdek Regresyonu
7.2. Çok-Sınıflı Sınıflandırma
7.3. Tek-Sınıflı Sınıflandırma
7.4. Çok-Etiketli Sınıflandırma
7.5. Topluluk/Takım Öğrenmesi
7.5.1. Yükseltme ve Torbalama
7.5.2. Rastgele Orman
7.5.3. Gradyan Yükseltme
7.6. Dizileri (Ardışıllığı) Etiketlemeyi Öğrenme
7.7. Diziden Diziye (Sequence-to-Sequence Öğrenme)
7.8. Aktif Öğrenme
7.9. Yarı-Denetimli Öğrenme
7.10. Tek-Atışlı Öğrenme
7.11. Sıfır-Atışlı Öğrenme
Bölüm 8. İleri Uygulama
8.1. Dengesiz Veri Kümelerini İşleme
8.2. Modelleri Birleştirme
8.3. Yapay Sinir Ağlarının Eğitimi
8.4. İleri Düzenlileştirme
8.5. Çoklu Girdiyi İşleme
8.6. Çoklu Çıktıyı İşleme
8.7. Aktarma Öğrenmesi
8.8. Algoritmik Verimlilik
Bölüm 9. Denetimsiz Öğrenme
9.1. Yoğunluk Kestirimi
9.2. Kümeleme
9.2.1. K-Ortalamaları
9.2.2. DBSCAN ve HDBSCAN
9.2.3. Küme Sayısını Belirleme
9.2.4. Diğer Kümeleme Algoritmaları
9.3. Boyutluluk Azaltma
9.3.1. Temel Bileşen Analizi
9.3.2. UMAP
9.4. Aykırı Algılama
Bölüm 10. Diğer Öğrenme Biçimleri
10.1. Metrik Öğrenme
10.2. Sıralamayı Öğrenme
10.3. Önermeyi Öğrenme
10.3.1. Çarpanlara Ayırma Makineleri
10.3.2. Gürültü Giderici Otomatik Kodlayıcılar
10.4. Kendi Kendini Denetleyen Öğrenme: Kelime Gömmeler
Bölüm 11. Sonuç
11.1. Neler Kapsanmadı
11.1.1. Konu Modelleme
11.1.2. Gauss Süreçleri
11.1.3. Genelleştirilmiş Doğrusal Modeller
11.1.4. Olasılıksal Grafik Modeller
11.1.5. Markov Zinciri Monte Carlo
11.1.6. Üretken Çekişmeli Ağlar
11.1.7. Genetik Algoritmalar
11.1.8. Takviyeli Öğrenme
11.2. Teşekkür
Dizin