Introduction to Statistical Machine Learning

یادگیری ماشینی به رایانه‌ها اجازه می‌دهد الگوها را بدون برنامه‌نویسی یاد بگیرند و تشخیص دهند. هنگامی که تکنیک های آماری و یادگیری ماشین با هم ترکیب شوند، ابزار قدرتمندی برای تجزیه و تحلیل انواع داده ها در بسیاری از زمینه های علوم کامپیوتر/مهندسی از جمله پردازش تصویر، پردازش گفتار، پردازش زبان طبیعی، کنترل ربات و همچنین در علوم بنیادی مانند زیست شناسی، پزشکی، نجوم، فیزیک و مواد.

مقدمه ای بر یادگیری ماشینی آماریمقدمه ای کلی برای یادگیری ماشین ارائه می دهد که طیف وسیعی از موضوعات را به طور خلاصه پوشش می دهد و به شما کمک می کند شکاف بین نظریه را پر کنید. و تمرین کنید. بخش اول مفاهیم اساسی آمار و احتمال را که در توصیف الگوریتم های یادگیری ماشین استفاده می شود، مورد بحث قرار می دهد. بخش دوم و سوم دو رویکرد اصلی تکنیک های یادگیری ماشین را توضیح می دهند. روش های تولیدی و روش های افتراقی. در حالی که قسمت سوم نگاهی عمیق به موضوعات پیشرفته ای ارائه می دهد که نقش اساسی در مفیدتر کردن الگوریتم های یادگیری ماشین در عمل دارند. برنامه های MATLAB/Octave همراه، مهارت های عملی لازم برای انجام طیف گسترده ای از وظایف تجزیه و تحلیل داده ها را در اختیار شما قرار می دهد.

• مواد زمینه لازم برای درک یادگیری ماشین مانند آمار، احتمال، خطی را فراهم می کند. جبر و حساب دیفرانسیل و انتگرال.
• پوشش کامل رویکرد مولد برای تشخیص الگوی آماری و رویکرد تمایزآمیز برای یادگیری ماشین آماری.
• شامل برنامه‌های MATLAB/Octave است تا خوانندگان بتوانند الگوریتم‌ها را آزمایش کنند. به صورت عددی و کسب مهارت های ریاضی و عملی در طیف گسترده ای از وظایف تجزیه و تحلیل داده ها
• در مورد طیف گسترده ای از کاربردها در یادگیری ماشین و آمار بحث می کند و نمونه هایی از پردازش تصویر، پردازش گفتار، پردازش زبان طبیعی، ربات ارائه می دهد. کنترل، و همچنین زیست شناسی، پزشکی، نجوم، فیزیک و مواد.

Machine learning allows computers to learn and discern patterns without actually being programmed. When Statistical techniques and machine learning are combined together they are a powerful tool for analysing various kinds of data in many computer science/engineering areas including, image processing, speech processing, natural language processing, robot control, as well as in fundamental sciences such as biology, medicine, astronomy, physics, and materials.

Introduction to Statistical Machine Learning provides ageneral introduction to machine learning that covers a wide range of topics concisely and will help you bridge the gap between theory and practice. Part I discusses the fundamental concepts of statistics and probability that are used in describing machine learning algorithms. Part II and Part III explain the two major approaches of machine learning techniques; generative methods and discriminative methods. While Part III provides an in-depth look at advanced topics that play essential roles in making machine learning algorithms more useful in practice. The accompanying MATLAB/Octave programs provide you with the necessary practical skills needed to accomplish a wide range of data analysis tasks.

• Provides the necessary background material to understand machine learning such as statistics, probability, linear algebra, and calculus.
• Complete coverage of the generative approach to statistical pattern recognition and the discriminative approach to statistical machine learning.
• Includes MATLAB/Octave programs so that readers can test the algorithms numerically and acquire both mathematical and practical skills in a wide range of data analysis tasks
• Discusses a wide range of applications in machine learning and statistics and provides examples drawn from image processing, speech processing, natural language processing, robot control, as well as biology, medicine, astronomy, physics, and materials.