Fundamentals of Machine Learning and Deep Learning in Medicine

این کتاب مقدمه‌ای در دسترس از مبانی یادگیری ماشینی و یادگیری عمیق در پزشکی را برای دانشجویان، محققان و متخصصان پزشکی فراهم می‌کند که لزوماً در ریاضیات پیشرفته آغاز نشده‌اند، اما مشتاق درک بهتر این فناوری مخرب و مخرب هستند. تاثیر آن بر پزشکی زمانی موضوعی باطنی بود که برای تعداد کمی از گروه‌های علوم کامپیوتر و مهندسی شناخته می‌شد، امروزه هوش مصنوعی (AI) یک فناوری بسیار محبوب است که توسط محققان از سراسر جهان دانشگاهی مورد استفاده قرار می‌گیرد. به طور خاص، در سال‌های اخیر علاقه زیادی به زیرشاخه‌های هوش مصنوعی یادگیری ماشین و یادگیری عمیق از سوی محققان پزشکی و علوم زیستی دیده شده است، که شاهد آن رشد سریع تعداد مقالات منتشر شده در این زمینه در مجلات پزشکی معتبر است. در دهه گذشته. تقاضا برای منابع آموزشی با کیفیت بالا در این زمینه هرگز بیشتر از امروز نبوده است و تنها با سرعتی سریع به رشد خود ادامه خواهد داد.

نویسندگان متخصص حجاب را برمی دارند. از پیچیدگی غیرضروری که اغلب با استفاده از سبک روایتی که بر شهود به جای فرمالیسم های انتزاعی ریاضی تأکید می کند، یادگیری ماشینی و یادگیری عمیق را احاطه می کند و به آنها اجازه می دهد تعادل ظریفی بین عملی بودن و دقت نظری در خدمت تسهیل تجربه یادگیری خواننده ایجاد کنند. موضوعات مطرح شده در کتاب عبارتند از: رمزگذاری ریاضی داده های پزشکی، رگرسیون و طبقه بندی خطی، مهندسی ویژگی های غیرخطی، یادگیری عمیق، شبکه های عصبی کانولوشنال و بازگشتی و یادگیری تقویتی. هر فصل با مجموعه‌ای از تمرین‌ها به پایان می‌رسد تا خوانندگان بتوانند دانش خود را تمرین کرده و آزمایش کنند.

این یک مقدمه ایده‌آل برای دانشجویان پزشکی، متخصصان و محققانی است که علاقه‌مند به یادگیری بیشتر در مورد ماشین هستند. یادگیری و یادگیری عمیق خوانندگانی که حداقل یک دوره مقدماتی ریاضیات را در مقطع کارشناسی گذرانده اند (مانند آمار زیستی یا حساب دیفرانسیل و انتگرال) به خوبی برای استفاده از این کتاب بدون نیاز به هیچ پیش نیاز اضافی مجهز خواهند بود.

This book provides an accessible introduction to the foundations of machine learning and deep learning in medicine for medical students, researchers, and professionals who are not necessarily initiated in advanced mathematics but yearn for a better understanding of this disruptive technology and its impact on medicine. Once an esoteric subject known to few outside of computer science and engineering departments, today artificial intelligence (AI) is a widely popular technology used by scholars from all across the academic universe. In particular, recent years have seen a great deal of interest in the AI subfields of machine learning and deep learning from researchers in medicine and life sciences, evidenced by the rapid growth in the number of articles published on the topic in peer-reviewed medical journals over the last decade. The demand for high-quality educational resources in this area has never been greater than it is today, and will only continue to grow at a rapid pace.

Expert authors remove the veil of unnecessary complexity that often surrounds machine learning and deep learning by employing a narrative style that emphasizes intuition in place of abstract mathematical formalisms, allowing them to strike a delicate balance between practicality and theoretical rigor in service of facilitating the reader’s learning experience. Topics covered in the book include: mathematical encoding of medical data, linear regression and classification, nonlinear feature engineering, deep learning, convolutional and recurrent neural networks, and reinforcement learning. Each chapter ends with a collection of exercises for readers to practice and test their knowledge.

This is an ideal introduction for medical students, professionals, and researchers interested in learning more about machine learning and deep learning. Readers who have taken at least one introductory mathematics course at the undergraduate-level (e.g., biostatistics or calculus) will be well-equipped to use this book without needing any additional prerequisites.