دانلود کتاب Introduction to machine learning

ترجمه فارسی توضیحات (ترجمه ماشینی)

مقدمه ای بر یادگیری ماشینی

هدف یادگیری ماشینی برنامه‌ریزی رایانه‌ها برای استفاده از داده‌های نمونه یا تجربیات گذشته برای حل یک مشکل معین است. بسیاری از کاربردهای موفق یادگیری ماشین در حال حاضر وجود دارد، از جمله سیستم‌هایی که داده‌های فروش گذشته را برای پیش‌بینی رفتار مشتری، تشخیص چهره‌ها یا گفتار گفتاری، بهینه‌سازی رفتار ربات به‌گونه‌ای بهینه‌سازی می‌کنند تا یک کار با حداقل منابع تکمیل شود، و دانش را از داده‌های بیوانفورماتیک استخراج می‌کند. مقدمه ای بر یادگیری ماشینی یک کتاب درسی جامع در این زمینه است که مجموعه وسیعی از موضوعات را پوشش می دهد که معمولاً در متون یادگیری ماشین مقدماتی گنجانده نمی شوند. این روش بسیاری از روش‌های مبتنی بر زمینه‌های مختلف، از جمله آمار، تشخیص الگو، شبکه‌های عصبی، هوش مصنوعی، پردازش سیگنال، کنترل و داده‌کاوی را مورد بحث قرار می‌دهد تا درمان یکپارچه مشکلات و راه‌حل‌های یادگیری ماشین را ارائه دهد. تمامی الگوریتم های یادگیری توضیح داده شده است تا دانش آموز بتواند به راحتی از معادلات کتاب به یک برنامه کامپیوتری حرکت کند. این کتاب می تواند مورد استفاده دانش آموزان پیشرفته کارشناسی و کارشناسی ارشد باشد که دوره های برنامه نویسی کامپیوتر، احتمالات، حساب دیفرانسیل و انتگرال و جبر خطی را گذرانده اند. همچنین برای مهندسان این رشته که با استفاده از روش‌های یادگیری ماشینی سروکار دارند، جالب خواهد بود. پس از مقدمه‌ای که یادگیری ماشین را تعریف می‌کند و مثال‌هایی از کاربردهای یادگیری ماشین ارائه می‌دهد، کتاب یادگیری نظارت شده، نظریه تصمیم بیزی، روش‌های پارامتری، روش‌های چند متغیره، کاهش ابعاد، خوشه‌بندی، روش‌های ناپارامتریک، درخت‌های تصمیم‌گیری، تمایز خطی، پرسپترون‌های چندلایه، مدل‌های محلی را پوشش می‌دهد. مدل های پنهان مارکوف، ارزیابی و مقایسه الگوریتم های طبقه بندی، ترکیب چند یادگیرنده و یادگیری تقویتی.

Introduction to machine learning

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.