Forwarded from Data Science Books
Python Language and Library.pdf
10.2 MB
Python Language and Library (2023)
Forwarded from Data Science Books
Python Machine Learning Projects.pdf
6.7 MB
Python Machine Learning Projects (2023)
Forwarded from Data Science Books
Machine Learning Engineering with Python.pdf
19.5 MB
Machine Learning Engineering with Python (2022)
Forwarded from Data Science Books
Machine Learning Engineering with Python.pdf
19.5 MB
Machine Learning Engineering with Python (2022)
Forwarded from Data Science Books
Publishing Python Packages.pdf
14.8 MB
Publishing Python Packages (2022)
Forwarded from Data Science Books
transformers_for_machine_learning_kamath_uday_l_annas_archiv.pdf
16.2 MB
Transformers for Machine Learning (2022)
Forwarded from Data Science Books
Natural Language Processing with PyTorch.pdf
13.5 MB
Natural Language Processing with PyTorch (2019)
Forwarded from Data Science Books
Deep Learning for Coders with fastai and PyTorch (2020).pdf
8.5 MB
Deep Learning for Coders with fastai and PyTorch (2020)
Forwarded from Data Science Books
Image Processing in Python.pdf
5 MB
Image Processing in Python (2022)
Forwarded from Data Science Books
Practices of the Python Pro.pdf
4.1 MB
Practices of the Python Pro (2022)
Forwarded from Data Science Books
Python Tools for Scientists (2023).pdf
33.6 MB
Python Tools for Scientists (2023)
Forwarded from Data Science Books
Computer Vision Projects with PyTorch.pdf
10.2 MB
Computer Vision Projects with PyTorch (2022)
Forwarded from Data Science Books
Probabilistic Machine Learning An Introduction.pdf
29.2 MB
Probabilistic Machine Learning An Introduction (2022)
Forwarded from Data Science Books
bernd_klein_python_and_machine_learning_a4.pdf
26.2 MB
Machine Learning with Python Tutorial (2021)
Forwarded from Data Science Books
Natural Language Processing with TensorFlow (2022).pdf
16.6 MB
Natural Language Processing with TensorFlow (2022)
Forwarded from Data Science Books
@datascienceM Machine Learning Algorithms in Depth.pdf
59.6 MB
Machine Learning Algorithms in Depth (2023)
Forwarded from Data Science Books
Learn OpenCV with Python by Examples (2023).pdf
7.7 MB
Forwarded from Meysam
یک سری از دوستان در مورد اینکه چطوری میتونم یادگیری ماشین رو شروع کنم سوال کرده بودند.
منابع چی هست؟
از کجا شروع کنم و ...
برای شروع میتونید اول یه نگاهی به این کتاب بندازید:
https://themlbook.com/
این کتاب خیلی مختصر ایده کلی بهتون میده و اگر پیش زمینه ای دارید میتونید سریع وارد موضوع بشید. ولی خب همه چیزهایی که نیاز دارید رو نداره و باید پایتون بلد باشید به عنوان مثال.
کتاب دیگه میتونه این باشه:
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow by Geron Aurelien
که ایده کلی و کراس و تنسورفلو و ... رو هم تا حدودی یاد میده.
ولی اگر میخواهید هوش مصنوعی رو از پایه شروع کنید، حداقل یک دوره شش ماهه تا یک ساله خواهید داشت.
چون این کتابها تیوری خیلی ضعیفی ارایه میدند. برای اینکه بتونید تیوری بحث رو متوجه بشید و بیشتر پیشرفت کنید به نظرم پایه ای تر شروع کنید.
این دوره شش ماهه بهتره این ها رو بخونید:
اول ایده کلی هوش مصنوعی رو متوجه بشید با این کتاب:
https://aima.cs.berkeley.edu/
الگوریتمهای مختلف و خوبی هم یاد میده. اشکال مختلف یادگیری هم توش مطرح شده.
اگه میخواهید وارد حوزه پردازش زبان بشید با این کتاب ادامه بدید:
https://web.stanford.edu/~jurafsky/slp3/
سعی کنید اگر واقعا میخواهید پردازش زبان کار کنید این کتاب رو کامل بخونید.
اگر میخواهید وارد حوزه پردازش تصویر بشید این رو بخونید:
https://www.amazon.de/-/en/Rafael-C-Gonzalez/dp/013168728X
این کتاب تمریناتش با متلب هست ولی میتونید با پایتون هم بزنید کدش رو.
بیشتر روشهای پایه و اساسی پردازش تصویر مطرح میشه توش. این رو بخونید مباحث دیگه مثل کانولوشن رو کاملتر و راحت تر درک میکنید.
بحث بعدی این هست که یادگیری عمیق یادبگیرید که یکی از بهترین کتابهاش این هست:
https://www.deeplearningbook.org/
جبر خطی هم توش مطرح شده. کتاب نسبتا کامل و جامعی هست. کامل میتونید ازش یادبگیرید.
ولی بحث پیاده سازی رو نباید غافل بشید، به نظرم پیاده سازی رو از این کتاب یاد بگیرید:
https://www.manning.com/books/deep-learning-with-pytorch
این بهتون یادگیری عمیق با پایتورچ یاد میده. دیگه تنسورفلو و کراس رو کم کم باید بزارید کنار چون کمتر بهش توجه میشه و اکثرا با پایتورچ کار میکنند جدیدا.
در مورد ترنسفرمرها هم کتابهای مختلفی هست، این دوتا از کتابهای خوب این زمینه است و اگر میخواهید چیزهای جدیدتر رو هم یادبگیرید بهتره اینارو هم بخونید:
https://transformersbook.com/
https://www.amazon.de/-/en/Sava%C5%9F-Y%C4%B1ld%C4%B1r%C4%B1m/dp/1801077657
مورد بعدی این هست که این مسیر یادگیری صرفا شامل یادگیری ماشین و یادگیری عمیق شد.
اگر میخواهید که به دیتاساینس هم بیشتر وارد بشید بهتره این کتاب رو بخونید:
https://www.amazon.de/-/en/Python-Data-Science-Handbook-Essential/dp/1491912057
ولی خب حوزه ها خیلی گسترده هستند، مخصوصا دیتاساینس رو باید بیشتر مطالعه کنید. صرفا با این کتابها در حد جونیور میتونید شروع کنید البته اگر همیشه سعی کنید که مطالب جدید رو دنبال کنید.
منابع چی هست؟
از کجا شروع کنم و ...
برای شروع میتونید اول یه نگاهی به این کتاب بندازید:
https://themlbook.com/
این کتاب خیلی مختصر ایده کلی بهتون میده و اگر پیش زمینه ای دارید میتونید سریع وارد موضوع بشید. ولی خب همه چیزهایی که نیاز دارید رو نداره و باید پایتون بلد باشید به عنوان مثال.
کتاب دیگه میتونه این باشه:
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow by Geron Aurelien
که ایده کلی و کراس و تنسورفلو و ... رو هم تا حدودی یاد میده.
ولی اگر میخواهید هوش مصنوعی رو از پایه شروع کنید، حداقل یک دوره شش ماهه تا یک ساله خواهید داشت.
چون این کتابها تیوری خیلی ضعیفی ارایه میدند. برای اینکه بتونید تیوری بحث رو متوجه بشید و بیشتر پیشرفت کنید به نظرم پایه ای تر شروع کنید.
این دوره شش ماهه بهتره این ها رو بخونید:
اول ایده کلی هوش مصنوعی رو متوجه بشید با این کتاب:
https://aima.cs.berkeley.edu/
الگوریتمهای مختلف و خوبی هم یاد میده. اشکال مختلف یادگیری هم توش مطرح شده.
اگه میخواهید وارد حوزه پردازش زبان بشید با این کتاب ادامه بدید:
https://web.stanford.edu/~jurafsky/slp3/
سعی کنید اگر واقعا میخواهید پردازش زبان کار کنید این کتاب رو کامل بخونید.
اگر میخواهید وارد حوزه پردازش تصویر بشید این رو بخونید:
https://www.amazon.de/-/en/Rafael-C-Gonzalez/dp/013168728X
این کتاب تمریناتش با متلب هست ولی میتونید با پایتون هم بزنید کدش رو.
بیشتر روشهای پایه و اساسی پردازش تصویر مطرح میشه توش. این رو بخونید مباحث دیگه مثل کانولوشن رو کاملتر و راحت تر درک میکنید.
بحث بعدی این هست که یادگیری عمیق یادبگیرید که یکی از بهترین کتابهاش این هست:
https://www.deeplearningbook.org/
جبر خطی هم توش مطرح شده. کتاب نسبتا کامل و جامعی هست. کامل میتونید ازش یادبگیرید.
ولی بحث پیاده سازی رو نباید غافل بشید، به نظرم پیاده سازی رو از این کتاب یاد بگیرید:
https://www.manning.com/books/deep-learning-with-pytorch
این بهتون یادگیری عمیق با پایتورچ یاد میده. دیگه تنسورفلو و کراس رو کم کم باید بزارید کنار چون کمتر بهش توجه میشه و اکثرا با پایتورچ کار میکنند جدیدا.
در مورد ترنسفرمرها هم کتابهای مختلفی هست، این دوتا از کتابهای خوب این زمینه است و اگر میخواهید چیزهای جدیدتر رو هم یادبگیرید بهتره اینارو هم بخونید:
https://transformersbook.com/
https://www.amazon.de/-/en/Sava%C5%9F-Y%C4%B1ld%C4%B1r%C4%B1m/dp/1801077657
مورد بعدی این هست که این مسیر یادگیری صرفا شامل یادگیری ماشین و یادگیری عمیق شد.
اگر میخواهید که به دیتاساینس هم بیشتر وارد بشید بهتره این کتاب رو بخونید:
https://www.amazon.de/-/en/Python-Data-Science-Handbook-Essential/dp/1491912057
ولی خب حوزه ها خیلی گسترده هستند، مخصوصا دیتاساینس رو باید بیشتر مطالعه کنید. صرفا با این کتابها در حد جونیور میتونید شروع کنید البته اگر همیشه سعی کنید که مطالب جدید رو دنبال کنید.