Machine Learning Models and Algorithms for Big Data Classification: Thinking with Examples for Effective Learning

این کتاب مدل‌ها و الگوریتم‌های یادگیری ماشین را برای رسیدگی به مشکلات طبقه‌بندی کلان داده‌ها ارائه می‌کند. تکنیک های یادگیری ماشین موجود مانند درخت تصمیم (رویکرد سلسله مراتبی)، جنگل تصادفی (رویکرد سلسله مراتبی مجموعه)، و یادگیری عمیق (رویکرد لایه ای) برای سیستمی که می تواند چنین مشکلاتی را مدیریت کند بسیار مناسب هستند. این کتاب به خوانندگان، به ویژه دانش‌آموزان و تازه واردان به حوزه داده‌های بزرگ و یادگیری ماشینی کمک می‌کند تا به درک سریعی از تکنیک‌ها و فناوری‌ها دست یابند. بنابراین، تئوری، مثال‌ها و برنامه‌های (Matlab و R) ارائه‌شده در این کتاب ساده‌شده، کدگذاری شده، تکرار شده‌اند یا برای بهبود فاصله‌گذاری شده‌اند. آنها وسایل نقلیه ای را برای آزمایش و درک مفاهیم پیچیده موضوعات مختلف در این زمینه فراهم می کنند. انتظار می رود که خوانندگان این برنامه ها را برای آزمایش با مثال ها اتخاذ کنند و سپس برنامه های خود را در جهت ارتقای دانش خود برای حل مسائل پیچیده تر و چالش برانگیزتر اصلاح یا بنویسند.

قالب ارائه این کتاب بر سادگی، خوانایی و قابل اعتماد بودن تمرکز دارد تا هم دانشجویان کارشناسی و کارشناسی ارشد و هم محققان، توسعه دهندگان و دست اندرکاران جدید در این زمینه بتوانند به راحتی به مفاهیم اعتماد کرده و درک کنند. آنها را به طور موثر یاد بگیرید. برای کاهش پیچیدگی ریاضی و کمک به اکثریت قریب به اتفاق خوانندگان برای درک موضوعات و علاقه مند شدن به این زمینه نوشته شده است. این کتاب از چهار بخش و در مجموع 14 فصل تشکیل شده است. بخش اول عمدتاً بر موضوعاتی متمرکز است که برای کمک به تجزیه و تحلیل و درک داده ها و کلان داده ها مورد نیاز است. بخش دوم موضوعاتی را پوشش می دهد که می تواند سیستم های مورد نیاز برای پردازش داده های بزرگ را توضیح دهد. بخش سوم موضوعات مورد نیاز برای درک و انتخاب تکنیک های یادگیری ماشین برای طبقه بندی کلان داده ها را ارائه می کند. در نهایت، بخش چهارم بر موضوعاتی متمرکز است که مقیاس‌پذیری یادگیری ماشین را توضیح می‌دهد، راه‌حل مهمی برای مشکلات مدرن داده‌های بزرگ.

This book presents machine learning models and algorithms to address big data classification problems. Existing machine learning techniques like the decision tree (a hierarchical approach), random forest (an ensemble hierarchical approach), and deep learning (a layered approach) are highly suitable for the system that can handle such problems. This book helps readers, especially students and newcomers to the field of big data and machine learning, to gain a quick understanding of the techniques and technologies; therefore, the theory, examples, and programs (Matlab and R) presented in this book have been simplified, hardcoded, repeated, or spaced for improvements. They provide vehicles to test and understand the complicated concepts of various topics in the field. It is expected that the readers adopt these programs to experiment with the examples, and then modify or write their own programs toward advancing their knowledge for solving more complex and challenging problems.

The presentation format of this book focuses on simplicity, readability, and dependability so that both undergraduate and graduate students as well as new researchers, developers, and practitioners in this field can easily trust and grasp the concepts, and learn them effectively. It has been written to reduce the mathematical complexity and help the vast majority of readers to understand the topics and get interested in the field. This book consists of four parts, with the total of 14 chapters. The first part mainly focuses on the topics that are needed to help analyze and understand data and big data. The second part covers the topics that can explain the systems required for processing big data. The third part presents the topics required to understand and select machine learning techniques to classify big data. Finally, the fourth part concentrates on the topics that explain the scaling-up machine learning, an important solution for modern big data problems.