An Elementary Introduction to Statistical Learning Theory

تلاش مشترک محققان برجسته در زمینه‌های فلسفه و مهندسی برق، مقدمه ای ابتدایی بر نظریه یادگیری آماری یک آغازگر جامع و قابل دسترس در زمینه های به سرعت در حال تحول تشخیص الگوی آماری و نظریه یادگیری آماری است. نویسندگان با توضیح این حوزه‌ها در سطحی و به‌گونه‌ای که اغلب در کتاب‌های دیگر درباره این موضوع یافت نمی‌شود، نظریه پایه پشت یادگیری ماشینی معاصر را ارائه می‌کنند و به طور منحصربه‌فردی از مبانی آن به عنوان چارچوبی برای تفکر فلسفی در مورد استنتاج استقرایی استفاده می‌کنند.

ترویج هدف اساسی یادگیری آماری، دانستن اینکه چه چیزی دست یافتنی است و چه چیزی نیست، این کتاب ارزش یک روش شناسی سیستماتیک را هنگام استفاده همراه با تکنیک های مورد نیاز برای ارزیابی عملکرد یک سیستم یادگیری نشان می دهد. ابتدا مقدمه‌ای بر یادگیری ماشین ارائه می‌شود که شامل بحث‌های مختصری درباره کاربردهایی مانند تشخیص تصویر، تشخیص گفتار، تشخیص پزشکی و آربیتراژ آماری است. برای افزایش دسترسی، دو فصل در مورد جنبه های مربوط به نظریه احتمال ارائه شده است. فصل‌های بعدی شامل موضوعاتی مانند مسئله تشخیص الگو، قانون تصمیم‌گیری بهینه بیز، قانون نزدیک‌ترین همسایه، قوانین هسته، شبکه‌های عصبی، ماشین‌های بردار پشتیبان و تقویت هستند.

ضمائم در سراسر کتاب این رابطه را بررسی می‌کنند. بین مطالب مورد بحث و موضوعات مرتبط از ریاضیات، فلسفه، روانشناسی و آمار، ترسیم پیوندهای روشن بین مسائل در این زمینه ها و نظریه یادگیری آماری. همه فصل‌ها با یک بخش خلاصه، مجموعه‌ای از سوالات تمرینی، و بخش‌های مرجع که یادداشت‌های تاریخی و منابع اضافی را برای مطالعه بیشتر فراهم می‌کند، به پایان می‌رسد.

مقدمه ابتدایی بر نظریه یادگیری آماری یک کتاب عالی برای دوره‌های تئوری یادگیری آماری، تشخیص الگو، و یادگیری ماشین در سطوح فوق‌لیسانس و فوق‌لیسانس است. همچنین به عنوان یک مرجع مقدماتی برای محققان و دست اندرکاران در زمینه های مهندسی، علوم کامپیوتر، فلسفه، و علوم شناختی که می خواهند دانش خود را در مورد این موضوع بیشتر کنند، عمل می کند.

A joint endeavor from leading researchers in the fields of philosophy and electrical engineering, An Elementary Introduction to Statistical Learning Theory is a comprehensive and accessible primer on the rapidly evolving fields of statistical pattern recognition and statistical learning theory. Explaining these areas at a level and in a way that is not often found in other books on the topic, the authors present the basic theory behind contemporary machine learning and uniquely utilize its foundations as a framework for philosophical thinking about inductive inference.

Promoting the fundamental goal of statistical learning, knowing what is achievable and what is not, this book demonstrates the value of a systematic methodology when used along with the needed techniques for evaluating the performance of a learning system. First, an introduction to machine learning is presented that includes brief discussions of applications such as image recognition, speech recognition, medical diagnostics, and statistical arbitrage. To enhance accessibility, two chapters on relevant aspects of probability theory are provided. Subsequent chapters feature coverage of topics such as the pattern recognition problem, optimal Bayes decision rule, the nearest neighbor rule, kernel rules, neural networks, support vector machines, and boosting.

Appendices throughout the book explore the relationship between the discussed material and related topics from mathematics, philosophy, psychology, and statistics, drawing insightful connections between problems in these areas and statistical learning theory. All chapters conclude with a summary section, a set of practice questions, and a reference sections that supplies historical notes and additional resources for further study.

An Elementary Introduction to Statistical Learning Theory is an excellent book for courses on statistical learning theory, pattern recognition, and machine learning at the upper-undergraduate and graduate levels. It also serves as an introductory reference for researchers and practitioners in the fields of engineering, computer science, philosophy, and cognitive science that would like to further their knowledge of the topic.