منو
منو
اطلاعات کتابشناختی
عنوان کتاب: Machine Learning: The Art and Science of Algorithms that Make Sense of Data
نویسنده: Peter Flach
ناشر: انتشارات Cambridge University Press, 2012
تعداد صفخات: ۴۰۹ صفحه
درباره نویسنده کتاب Machine Learning: The Art and Science of Algorithms that Make Sense of Data
پیتر فلچ دارای بیش از بیست سال تجربه در آموزش یادگیری ماشین است. او مدیر ارشد Machine learning و همکاری برنامه اجلاس ۲۰۰۹ ACM در زمینه آموزش یادگیری ماشین، کشف دانش و داده کاوی و کنفرانس اروپایی ۲۰۱۲ یادگیری ماشین و Data Mining می باشد. کتاب Machine learning نوشته شده توسط او شامل تمام جنبه های آموزش یادگیری ماشین، بازنمایی دانش و استفاده از منطق است تا از داده های بسیار ساخت یافته به تجزیه و تحلیل و ارزیابی مدل های یادگیری ماشین و روش های داده کاوی در مقیاس بزرگ یاد بگیرند. او به ویژه برای استفاده نوآورانه از تجزیه و تحلیل ویژگی های گیرنده برای درک و بهبود روش های Machine learning شناخته شده است. این نوآوری ها اثربخشی خود را در تعدادی از مذاکرات و آموزش های دعوت شده و اکنون ستون فقرات این کتاب Machine learning را تشکیل می دهند.
این کتاب Machine learning به عنوان یکی از جامع ترین متدهای آموزش یادگیری ماشین در بین کتاب های موجود در حوزه آموزش هوش مصنوعی و Machine learning می باشد. این کتاب رویکرد روشنی مبتنی بر مثال نویسنده اش، آقای Peter Flach، از بحث در مورد چگونگی کارکرد یک فیلتر هرزنامه (Spam) آغاز می شود که ابتدا به یادگیری ماشین در عمل می پردازد و با کمترین تردید فنی مطابقت دارد. Flach مطالعات موردی در مورد افزایش پیچیدگی و تنوع را با نمونه های انتخابی و تصاویر در سراسر ارائه می دهد. در کتاب Machine learning واقع بخشی از آموزش های ارایه شده در حوزه آموزش یادگیری ماشین به بحث داغ و پرطرفدار پردازش تصویر (Image Processing) اختصاص داده شده است. شایان ذکر است، او طیف گسترده ای از مدل های منطقی، هندسی و آماری را پوشش می دهد و موضوعات جدیدی را در این باب مطرح نموده است. استفاده از اصطلاحات پایه با معرفی مفاهیم جدید و مفیدی متعادل شده و خلاصه ای از مطالب پیشین مربوطه با اشاره گرها برای تجدید نظر در صورت لزوم ارائه می شود. این ویژگی ها اطمینان می دهد که آموزش یادگیری ماشین، استاندارد جدیدی را به عنوان یک کتاب مقدماتی در این حوزه بیان می کند.
Preface
Prologue: A Machine Learning Sampler
The Ingredients Of Machine Learning
Binary Classification And Related Tasks
Beyond Binary Classification
Concept Learning
Tree Models
Rule Models
Linear Models
Distance-Based Models
Probabilistic Models
Features
Model Ensembles
Machine Learning Experiments
Epilogue:Where to go from Here
Important Points To Remember
References
Index
از جدیدترین اخبار و اطلاعیه ها با خبر باشید
