آنتونی رابینز میگه : من در 40 سالگی به جایی رسیدم که برای رسیدن بهش 82 سال زمان لازمه و این رو مدیون کتاب خواندن زیاد هستم.

**2026 Textbook and Academic Authors Association (TAA) Textbook Excellence “Texty” Award Winner**

Data Mining: Practical Machine Learning Tools and Techniques, Fifth Edition, offers a thorough grounding in machine learning concepts, along with practical advice on applying these tools and techniques in real-world data mining situations. This highly anticipated new edition of the most acclaimed work on data mining and machine learning teaches readers everything they need to know to get going, from preparing inputs, interpreting outputs, evaluating results, to the algorithmic methods at the heart of successful data mining approaches.

Extensive updates reflect the technical changes and modernizations that have taken place in the field since the last edition, including more recent deep learning content on topics such as generative AI (GANs, VAEs, diffusion models), large language models (transformers, BERT and GPT models), and adversarial examples, as well as a comprehensive treatment of ethical and responsible artificial intelligence topics. Authors Ian H. Witten, Eibe Frank, Mark A. Hall, and Christopher J. Pal, along with new author James R. Foulds, include today’s techniques coupled with the methods at the leading edge of contemporary research

• Provides a thorough grounding in machine learning concepts, as well as practical advice on applying the tools and techniques to data mining projects
• Presents concrete tips and techniques for performance improvement that work by transforming the input or output in machine learning methods
• Features in-depth information on deep learning and probabilistic models
• Covers performance improvement techniques, including input preprocessing and combining output from different methods
• Provides an appendix introducing the WEKA machine learning workbench and links to algorithm implementations in the software
• Includes all-new exercises for each chapter

توضیحات فارسی در مورد کتاب (ترجمه ماشینی)

**برنده جایزه برتری کتاب درسی “تستی” انجمن نویسندگان و ناشران کتاب درسی (TAA) – سال ۲۰۲۶**

استخراج داده: ابزارهای عملی یادگیری ماشین و تکنیک‌ها، ویرایش پنجم، پایه‌ای جامع در مفاهیم یادگیری ماشین ارائه می‌دهد و همراه با مشاوره‌های عملی در مورد استفاده از این ابزارها و تکنیک‌ها در موقعیت‌های واقعی استخراج داده، به خوانندگان کمک می‌کند. این ویرایش جدید و بسیار مورد انتظار اثر تحسین‌شده‌ای در زمینه استخراج داده و یادگیری ماشین، همه چیز را که خوانندگان برای شروع نیاز دارند، آموزش می‌دهد، از آماده‌سازی ورودی‌ها، تفسیر خروجی‌ها، ارزیابی نتایج تا روش‌های الگوریتمی که در رویکردهای موفق استخراج داده نقش دارند.

به‌روزرسانی‌های گسترده منعکس‌کننده تغییرات فنی و مدرن‌سازی‌هایی است که از زمان ویرایش قبلی در این حوزه رخ داده است، از جمله محتوای اخیر یادگیری عمیق در موضوعاتی مانند هوش مصنوعی تولیدی (GANs، VAEs، مدل‌های انتشار)، مدل‌های زبان بزرگ (ترنسفورمرها، مدل‌های BERT و GPT)، و مثال‌های حمله‌کننده، و همچنین بررسی جامع موضوعات مربوط به اخلاق و هوش مصنوعی مسئولانه. نویسندگان این کتاب، ایان اچ ویتن، ایبه فرانک، مارک ای هال، کریستوفر جی پال، و نویسنده جدید جیمز آر فولدز، تکنیک‌های امروز را با روش‌هایی که در خط مقدم تحقیقات معاصر قرار دارند، ترکیب می‌کنند.

– پایه‌ای جامع در مفاهیم یادگیری ماشین ارائه می‌دهد.
– مشاوره‌های عملی در مورد استفاده از ابزارها و تکنیک‌ها در پروژه‌های استخراج داده ارائه می‌کند.
– نکات و تکنیک‌های ملموس برای بهبود عملکرد ارائه می‌دهد که با تبدیل ورودی‌ها یا خروجی‌ها در روش‌های یادگیری ماشین کار می‌کنند.
– اطلاعات عمیق در مورد یادگیری عمیق و مدل‌های احتمالی ارائه می‌دهد.
– تکنیک‌های بهبود عملکرد، از جمله پیش‌پردازش ورودی و ترکیب خروجی‌های روش‌های مختلف را پوشش می‌دهد.
– ضمیمه‌ای حاوی معرفی کارگاه یادگیری ماشین WEKA و لینک‌هایی به پیاده‌سازی الگوریتم‌ها در نرم‌افزار ارائه می‌دهد.
– تمرین‌های جدیدی برای هر فصل گنجانده شده است.