Behavior Analysis with Machine Learning Using R (Chapman & Hall/CRC The R Series)

تحلیل رفتار با یادگیری ماشینی با استفاده از Rمفاهیم و الگوریتم‌های یادگیری ماشین و یادگیری عمیق را معرفی می‌کند که برای مجموعه متنوعی از مشکلات تحلیل رفتار اعمال می‌شود. بر جنبه های عملی حل چنین مشکلاتی بر اساس داده های جمع آوری شده از حسگرها یا ذخیره شده در سوابق الکترونیکی تمرکز دارد. مثال‌های ارائه‌شده نشان می‌دهند که چگونه می‌توان وظایف رایج تجزیه و تحلیل داده‌ها مانند: کاوش داده، تجسم، پیش پردازش، نمایش داده، آموزش مدل و ارزیابی را انجام داد. همه اینها با استفاده از زبان برنامه نویسی R و داده های رفتاری واقعی. حتی اگر مثال ها بر وظایف تحلیل رفتار تمرکز دارند، مفاهیم و روش های زیربنایی تحت پوشش را می توان در هر حوزه دیگری به کار برد. هیچ دانش قبلی در یادگیری ماشین فرض نمی شود. تجربه پایه با R و دانش پایه در آمار و ریاضیات سطح دبیرستان مفید است.

ویژگی ها:

• مدل‌های یادگیری ماشینی تحت نظارت بسازید تا مکان‌های داخلی را بر اساس سیگنال‌های WiFi پیش‌بینی کند، فعالیت‌های فیزیکی را از حسگرهای گوشی‌های هوشمند و داده‌های اسکلت سه‌بعدی تشخیص دهد، حرکات دست را از سیگنال‌های شتاب‌سنج تشخیص دهد و غیره.

• روش های یادگیری گروهی خود را برنامه ریزی کنید و از Multi-View Stacking برای فیوز کردن سیگنال ها استفاده کنید از منابع داده ناهمگن.

• استفاده از یادگیری بدون نظارت الگوریتم هایی برای کشف الگوهای رفتاری مجرمانه.

• ایجاد یادگیری عمیق </ b>شبکه‌های عصبی با TensorFlow و Keras برای طبقه‌بندی فعالیت ماهیچه‌ای از سیگنال‌های الکترومیوگرافی و شبکه‌های عصبی Convolutional برای تشخیص لبخند در تصاویر.

• ارزیابی عملکرد مدل های خود در سنتی و چند کاربره تنظیمات.

• ساخت تشخیص ناهنجاری مدل هایی مانند جنگل‌های جداسازی و رمزگذارهای خودکار برای تشخیص رفتارهای غیرعادی ماهی.

این کتاب برای مقاطع کارشناسی/کارشناسی ارشد در نظر گرفته شده است. دانش‌آموزان و محققانی از محاسبات همه‌جا، اکولوژی رفتاری، روان‌شناسی، سلامت الکترونیک و سایر رشته‌ها که می‌خواهند اصول یادگیری ماشینی و یادگیری عمیق را بیاموزند و برای افراد با تجربه‌تر که می‌خواهند از یادگیری ماشین برای تجزیه و تحلیل داده‌های رفتاری استفاده کنند. p>

Behavior Analysis with Machine Learning Using R introduces machine learning and deep learning concepts and algorithms applied to a diverse set of behavior analysis problems. It focuses on the practical aspects of solving such problems based on data collected from sensors or stored in electronic records. The included examples demonstrate how to perform common data analysis tasks such as: data exploration, visualization, preprocessing, data representation, model training and evaluation. All of this, using the R programming language and real-life behavioral data. Even though the examples focus on behavior analysis tasks, the covered underlying concepts and methods can be applied in any other domain. No prior knowledge in machine learning is assumed. Basic experience with R and basic knowledge in statistics and high school level mathematics are beneficial.

Features:

• Build supervised machine learning models to predict indoor locations based on WiFi signals, recognize physical activities from smartphone sensors and 3D skeleton data, detect hand gestures from accelerometer signals, and so on.

• Program your own ensemble learning methods and use Multi-View Stacking to fuse signals from heterogeneous data sources.

• Use unsupervised learning algorithms to discover criminal behavioral patterns.

• Build deep learning neural networks with TensorFlow and Keras to classify muscle activity from electromyography signals and Convolutional Neural Networks to detect smiles in images.

• Evaluate the performance of your models in traditional and multi-user settings.

• Build anomaly detection models such as Isolation Forests and autoencoders to detect abnormal fish behaviors.

This book is intended for undergraduate/graduate students and researchers from ubiquitous computing, behavioral ecology, psychology, e-health, and other disciplines who want to learn the basics of machine learning and deep learning and for the more experienced individuals who want to apply machine learning to analyze behavioral data.