جزییات کتاب
«یادگیری ماشینی» در نظر دارد کامپیوترها را بهگونهای برنامهریزی کند که آنها با استفاده از دادههای پایه یا تجربیات بهدستآمده، مشکلات را حل کنند. بیشتر برنامههای موفق از مدتها قبل، از یادگیری ماشینی استفاده کردهاند. از جمله این موارد میتوان به سامانههایی که دادههای فروش را تجزیهوتحلیل کرده و رفتار مشتریان را پیشبینی میکنند، بهینهسازی رفتار روباتها بهمنظور انجام وظیفه خود با صرف حداقل منابع و استخراج دانش از دادههای بیوانفورماتیک، اشاره کرد. مقدمهای بر یادگیری ماشینی، یک کتاب جامع درسی در این حوزه است و طیف گستردهای از عناوین مرتبط با این شاخه از هوش مصنوعی را پوشش میدهد. در این کتاب با مفاهیمی همچون تئوری تصمیمگیری بیز، پارامتریک، نیمهپارامتریک، روشهای غیرپارامتریک، مدلهای مارکوف پنهان، مدلهای گرافیکی، برآورد بیزی، آزمایشهای آماری و بسیاری دیگر از عناوین آشنا خواهید شد. انتشارت MIT Press این کتاب را در سال 2014، در 640 صفحه چاپ کرده است.
The goal of machine learning is to program computers to use example data or past experience to solve a given problem. Many successful applications of machine learning exist already, including systems that analyze past sales data to predict customer behavior, recognize faces or spoken speech, optimize robot behavior so that a task can be completed using minimum resources, and extract knowledge from bioinformatics data. Introduction to Machine Learning is a comprehensive textbook on the subject, covering a broad array of topics not usually included in introductory machine learning texts. It discusses many methods based in different fields, including statistics, pattern recognition, neural networks, artificial intelligence, signal processing, control, and data mining, in order to present a unified treatment of machine learning problems and solutions. All learning algorithms are explained so that the student can easily move from the equations in the book to a computer program. The book can be used by advanced undergraduates and graduate students who have completed courses in computer programming, probability, calculus, and linear algebra. It will also be of interest to engineers in the field who are concerned with the application of machine learning methods. After an introduction that defines machine learning and gives examples of machine learning applications, the book covers supervised learning, Bayesian decision theory, parametric methods, multivariate methods, dimensionality reduction, clustering, nonparametric methods, decision trees, linear discrimination, multilayer perceptrons, local models, hidden Markov models, assessing and comparing classification algorithms, combining multiple learners, and reinforcement learning.