Machine Learning: Discriminative and Generative

یادگیری ماشین:تمایزآمیز و مولد موضوعات و ابزارهای اصلی معاصر در یادگیری ماشین را پوشش می‌دهد، از مدل‌های احتمالی بیزی تا ماشین‌های بردار پشتیبان متمایز. با این حال، برخلاف کتاب‌های قبلی که این رویکردهای نسبتاً متفاوت را به‌طور مجزا مورد بحث قرار می‌دهند، این دو مکتب فکری را در چارچوبی مشترک به هم پیوند می‌دهد و به زیبایی نظریه‌های مختلف آن‌ها را به هم متصل می‌کند و یک تصویر بزرگ مشترک ایجاد می‌کند. همچنین، این پل ابزارهای ترکیبی جدیدی را ایجاد می کند که نقاط قوت هر دو اردوگاه را ترکیب می کند. این کتاب اهداف متعددی را نیز دنبال می کند. این چارچوب به‌عنوان یک پیشرفت علمی عمل می‌کند و حوزه‌های یادگیری مولد و تبعیض‌آمیز را در هم می‌آمیزد و برای بسیاری از محققان مورد توجه خواهد بود. با این حال، به عنوان یک پیشرفت مفهومی، این چارچوب مشترک بسیاری از ابزارها و تکنیک‌های نامرتبط قبلی را متحد می‌کند و آنها را برای بخش بزرگتری از عموم قابل درک می‌کند. این به مهندسان، دانش‌آموزان و عموم مردم صنعتی که فکر عملی‌تر دارند، نقشه راه آسان‌تر و معقول‌تری به دنیای یادگیری ماشینی می‌دهد.

یادگیری ماشینی: تبعیض آمیز و مولد برای مخاطبانی متشکل از محققان و متخصصان صنعت و دانشگاه طراحی شده است. این کتاب همچنین به عنوان یک متن ثانویه برای دانشجویان مقطع کارشناسی ارشد در رشته علوم و مهندسی کامپیوتر مناسب است.

Machine Learning:Discriminative and Generative covers the main contemporary themes and tools in machine learning ranging from Bayesian probabilistic models to discriminative support-vector machines. However, unlike previous books that only discuss these rather different approaches in isolation, it bridges the two schools of thought together within a common framework, elegantly connecting their various theories and making one common big-picture. Also, this bridge brings forth new hybrid discriminative-generative tools that combine the strengths of both camps. This book serves multiple purposes as well. The framework acts as a scientific breakthrough, fusing the areas of generative and discriminative learning and will be of interest to many researchers. However, as a conceptual breakthrough, this common framework unifies many previously unrelated tools and techniques and makes them understandable to a larger portion of the public. This gives the more practical-minded engineer, student and the industrial public an easy-access and more sensible road map into the world of machine learning.

Machine Learning: Discriminative and Generative is designed for an audience composed of researchers & practitioners in industry and academia. The book is also suitable as a secondary text for graduate-level students in computer science and engineering.