Machine Learning with R

این کتاب به خوانندگان کمک می کند تا ریاضیات یادگیری ماشینی را درک کنند و آنها را در موقعیت های مختلف به کار ببرند. این به دو بخش اساسی تقسیم می‌شود که بخش اول، خوانندگان را با نظریه جبر خطی، احتمالات و توزیع داده‌ها و کاربردهای آن در یادگیری ماشینی آشنا می‌کند. همچنین شامل معرفی دقیق مفاهیم و محدودیت های یادگیری ماشین و آنچه در طراحی یک الگوریتم یادگیری دخیل است می باشد. این بخش به خوانندگان کمک می کند تا جنبه های ریاضی و آماری یادگیری ماشین را درک کنند.

به نوبه خود، قسمت دوم الگوریتم های مورد استفاده در یادگیری تحت نظارت و بدون نظارت را مورد بحث قرار می دهد. هر الگوریتم یادگیری را به صورت ریاضی کار می کند و آن را در R رمزگذاری می کند تا برنامه های یادگیری سفارشی تولید کند. در این فرآیند، به ویژگی‌های هر الگوریتم و علم پشت فرمول‌بندی آن می‌پردازد.

این کتاب شامل نمونه‌های فراوانی به همراه کدهای R است. کد هر الگوریتم را توضیح می دهد و خوانندگان می توانند کد را مطابق با نیازهای خود تغییر دهند. این کتاب برای همه محققانی که قصد استفاده از R را برای یادگیری ماشینی دارند و کسانی که علاقه مند به جنبه های عملی پیاده سازی الگوریتم های یادگیری برای تجزیه و تحلیل داده ها هستند، جالب خواهد بود. علاوه بر این، برای هر کسی که در ارتباط دادن مفاهیم ریاضیات و آمار با یادگیری ماشین تلاش کرده است، بسیار مفید و آموزنده خواهد بود.

This book helps readers understand the mathematics of machine learning, and apply them in different situations. It is divided into two basic parts, the first of which introduces readers to the theory of linear algebra, probability, and data distributions and it’s applications to machine learning. It also includes a detailed introduction to the concepts and constraints of machine learning and what is involved in designing a learning algorithm. This part helps readers understand the mathematical and statistical aspects of machine learning.

In turn, the second part discusses the algorithms used in supervised and unsupervised learning. It works out each learning algorithm mathematically and encodes it in R to produce customized learning applications. In the process, it touches upon the specifics of each algorithm and the science behind its formulation.

The book includes a wealth of worked-out examples along with R codes. It explains the code for each algorithm, and readers can modify the code to suit their own needs. The book will be of interest to all researchers who intend to use R for machine learning, and those who are interested in the practical aspects of implementing learning algorithms for data analysis. Further, it will be particularly useful and informative for anyone who has struggled to relate the concepts of mathematics and statistics to machine learning.