From Curve Fitting to Machine Learning: An Illustrative Guide to Scientific Data Analysis and Computational Intelligence

تجزیه و تحلیل داده های تجربی از ابتدا در قلب علم قرار دارد.
اما ظهور رایانه‌های دیجیتالی بود که امکان اجرای روش‌های بسیار غیرخطی و پیچیده‌تر تحلیل داده‌ها را فراهم کرد - روش‌هایی که قبلاً کاملاً غیرممکن بودند. برازش منحنی غیرخطی، خوشه‌بندی و یادگیری ماشین متعلق به این تکنیک‌های مدرن است که گامی بیشتر به سوی هوش محاسباتی است.

هدف این کتاب ارائه یک راهنمای تعاملی و گویا برای این موضوعات است. بر روی جاده از برازش منحنی دو بعدی تا خوشه‌بندی چند بعدی و یادگیری ماشین با شبکه‌های عصبی یا ماشین‌های بردار پشتیبانی تمرکز می‌کند. در طول مسیر موضوعاتی مانند بهینه سازی ریاضی یا الگوریتم های تکاملی لمس می شوند. همه مفاهیم و ایده‌ها به صورت واضح با استدلال‌های قابل قبول و کمی ریاضیات ابتدایی ترسیم شده‌اند. موضوعات اصلی به طور گسترده با مثال‌ها و کاربردهای
اکتشافی تشریح شده‌اند. هدف اصلی این است که تا حد امکان گویا باشیم بدون اینکه مشکلات و مشکلات را پنهان کنیم، بلکه آنها را برطرف کنیم. ویژگی یک کتاب آشپزی گویا با بخش‌های خاصی تکمیل می‌شود که به سؤالات اساسی‌تری مانند رابطه بین یادگیری ماشین و هوش انسانی می‌پردازد

همه موضوعات به طور کامل با کمک پلتفرم محاسباتی تجاری Mathematica و هوش محاسباتی نشان داده شده‌اند. Packages (CIP)، یک کتابخانه تابع سطح بالا که با زبان برنامه نویسی Mathematica در بالای الگوریتم های Mathematica توسعه یافته است. CIP منبع باز است بنابراین کد دقیق هر روش به صورت رایگان قابل دسترسی است. تمام مثال‌ها و برنامه‌های نمایش داده شده در سراسر کتاب ممکن است توسط خواننده بدون هیچ محدودیتی استفاده و سفارشی‌سازی شود.

The analysis of experimental data is at heart of science from its beginnings.
But it was the advent of digital computers that allowed the execution of highly non-linear and increasingly complex data analysis procedures - methods that were completely unfeasible before. Non-linear curve fitting, clustering and machine learning belong to these modern techniques which are a further step towards computational intelligence.

The goal of this book is to provide an interactive and illustrative guide to these topics. It concentrates on the road from two dimensional curve fitting to multidimensional clustering and machine learning with neural networks or support vector machines. Along the way topics like mathematical optimization or evolutionary algorithms are touched. All concepts and ideas are outlined in a clear cut manner with graphically depicted plausibility arguments and a little elementary mathematics. The major topics are extensively outlined with
exploratory examples and applications. The primary goal is to be as illustrative as possible without hiding problems and pitfalls but to address them. The character of an illustrative cookbook is complemented with specific sections that address more fundamental questions like the relation between machine learning and human intelligence

All topics are completely demonstrated with the aid of the commercial computing platform Mathematica and the Computational Intelligence Packages (CIP), a high-level function library developed with Mathematica's programming language on top of Mathematica's algorithms. CIP is open-source so the detailed code of every method is freely accessible. All examples and applications shown throughout the book may be used and customized by the reader without any restrictions.