An Introduction to Machine learning: with Application in R

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Clark M.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 42 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 45,000

مرکز تحقیقات اجتماعی دانشگاه نوتردام، 2013. – 42 ص. – ISBN: N/A هدف این سند ارائه مقدمه ای مفهومی برای تکنیک های آماری یا یادگیری ماشینی (ML) برای آنهایی است که معمولاً ممکن است در معرض دید قرار نگیرند. به چنین رویکردهایی در طول آموزش آماری معمولی مورد نیاز خود. یادگیری ماشینی را می‌توان به‌عنوان شکلی از آمار توصیف کرد، که اغلب حتی از تکنیک‌های شناخته شده و آشنا استفاده می‌کند، که تمرکز متفاوتی نسبت به تمرین تحلیلی سنتی در علوم اجتماعی و سایر رشته‌ها دارد. مفهوم کلیدی این است که رویکردهای انعطاف‌پذیر و خودکار برای شناسایی الگوهای درون داده‌ها، با تمرکز اولیه بر پیش‌بینی داده‌های آینده استفاده می‌شوند.
اگر کسی تعداد تکنیک‌های موجود در ML را بدون زمینه بررسی کند، مطمئناً چنین خواهد بود. از نظر تعداد زیاد این رویکردها و همچنین ترفندها و تغییرات مختلف آنها بسیار زیاد است. با این حال، ویژگی‌های تکنیک‌ها به اندازه مفاهیم کلی‌تر که در اکثر تنظیمات ML قابل اجرا هستند، و در واقع، بسیاری از موارد سنتی نیز مهم نیستند. در حالی که نمونه هایی با استفاده از محیط آماری R و توصیف چند رویکرد خاص وجود خواهد داشت، تمرکز در اینجا بیشتر بر روی ایده ها است تا کاربرد3 و تا حد امکان در سطح مفهومی نگهداری می شود. با این حال، برخی از نمونه های کاربردی از تکنیک های رایج تر به تفصیل ارائه خواهد شد.

Center for Social Research Univercity of Notre Dame, 2013. – 42 p. – ISBN: N/A The purpose of this document is to provide a conceptual introduction to statistical or machine learning (ML) techniques for those that might not normally be exposed to such approaches during their required typical statistical training. Machine learning can be described as a form of a statistics, often even utilizing well-known nad familiar techniques, that has bit of a different focus than traditional analytical practice in the social sciences and other disciplines. The key notion is that flexible, automatic approaches are used to detect patterns within the data, with a primary focus on making predictions on future data.
If one surveys the number of techniques available in ML without context, it will surely be overwhelming in terms of the sheer number of those approaches and also the various tweaks and variations of them. However, the specifics of the techniques are not as important as more general concepts that would be applicable in most every ML setting, and indeed, many traditional ones as well. While there will be examples using the R statistical environment and descriptions of a few specific approaches, the focus here is more on ideas than application3 and kept at the conceptual level as much as possible. However, some applied examples of more common techniques will be provided in detail.