Information Theory and Statistical Learning

تئوری اطلاعات و یادگیری آماری نتایج نظری و عملی را در مورد روش های نظری اطلاعات مورد استفاده در زمینه یادگیری آماری ارائه می دهد.

این کتاب مروری جامع از طیف وسیعی از روش‌های مختلف ارائه می‌کند که در زمینه‌های متعددی ایجاد شده‌اند. هر فصل توسط یک متخصص در زمینه نوشته شده است. این کتاب برای خوانندگان بین رشته‌ای که در زمینه یادگیری ماشین، آمار کاربردی، هوش مصنوعی، آمار زیستی، زیست‌شناسی محاسباتی، بیوانفورماتیک، وب کاوی یا رشته‌های مرتبط کار می‌کنند در نظر گرفته شده است.

تمجید از تئوری اطلاعات و یادگیری آماری :

\"دوران جدیدی برای علوم اطلاعات فرا رسیده است تا رشته های مختلفی مانند نظریه اطلاعات، یادگیری ماشین، استنتاج آماری، داده کاوی، انتخاب مدل و غیره را یکپارچه کند. من مشتاق هستم که این کتاب را به محققان و دانشجویان ارائه می‌کند، زیرا بیشتر این موضوعات و روش‌های نوظهور را که در بسیاری از نقاط پراکنده هستند، خلاصه می‌کند. ممتاز در دانشگاه توکیو

Information Theory and Statistical Learning presents theoretical and practical results about information theoretic methods used in the context of statistical learning.

The book will present a comprehensive overview of the large range of different methods that have been developed in a multitude of contexts. Each chapter is written by an expert in the field. The book is intended for an interdisciplinary readership working in machine learning, applied statistics, artificial intelligence, biostatistics, computational biology, bioinformatics, web mining or related disciplines.

Advance Praise for Information Theory and Statistical Learning:

"A new epoch has arrived for information sciences to integrate various disciplines such as information theory, machine learning, statistical inference, data mining, model selection etc. I am enthusiastic about recommending the present book to researchers and students, because it summarizes most of these new emerging subjects and methods, which are otherwise scattered in many places."

-- Shun-ichi Amari, RIKEN Brain Science Institute, Professor-Emeritus at the University of Tokyo