Mathematics and Programming for Machine Learning with R: From the Ground Up

بر اساس تجربه نویسنده در آموزش علوم داده برای بیش از 10 سال، ریاضیات و برنامه نویسی برای یادگیری ماشین با R: از زمین به بالا نشان می دهد که چگونه الگوریتم های یادگیری ماشینی جادوی خود را انجام دهید و توضیح می دهد که چگونه این الگوریتم ها را می توان در کد پیاده سازی کرد. این طراحی شده است تا درک درستی از استدلال پشت الگوریتم‌های یادگیری ماشین و همچنین نحوه برنامه‌نویسی آن‌ها را در اختیار خوانندگان قرار دهد. این کتاب که برای برنامه نویسان تازه کار نوشته شده است، گام به گام پیشرفت می کند و مهارت های کدگذاری مورد نیاز برای پیاده سازی الگوریتم های یادگیری ماشین در R را ارائه می دهد.

این کتاب با پیاده سازی های ساده و مفاهیم اساسی منطق، مجموعه ها و احتمالات آغاز می شود. قبل از اینکه به پوشش الگوریتم های قدرتمند یادگیری عمیق بروید. هشت فصل اول به الگوریتم های یادگیری ماشین مبتنی بر احتمال می پردازد و هشت فصل آخر به یادگیری ماشین بر اساس شبکه های عصبی مصنوعی می پردازد. نیمه اول کتاب نیازی به پیچیدگی ریاضی ندارد، اگرچه آشنایی با احتمالات و آمار مفید خواهد بود. نیمه دوم فرض می کند که خواننده حداقل با یک ترم حساب دیفرانسیل و انتگرال آشنا باشد. متن برنامه نویسان تازه کار R را از طریق الگوریتم ها و کاربرد آنها و در طول مسیر راهنمایی می کند. خواننده در مقابله با چالش های برنامه نویسی پیشرفته R اعتماد به نفس برنامه نویسی را به دست می آورد.

نکات مهم کتاب عبارتند از:

• بیش از 400 تمرین
• تاکید قوی بر بهبود مهارت های برنامه نویسی و راهنمایی مبتدیان به پیاده سازی الگوریتم های کامل
• پوشش مفاهیم اساسی کامپیوتر و ریاضی از جمله منطق، مجموعه ها و احتمال
• توضیحات عمیق الگوریتم های یادگیری ماشین

Based on the author’s experience in teaching data science for more than 10 years, Mathematics and Programming for Machine Learning with R: From the Ground Up reveals how machine learning algorithms do their magic and explains how these algorithms can be implemented in code. It is designed to provide readers with an understanding of the reasoning behind machine learning algorithms as well as how to program them. Written for novice programmers, the book progresses step-by-step, providing the coding skills needed to implement machine learning algorithms in R.

The book begins with simple implementations and fundamental concepts of logic, sets, and probability before moving to the coverage of powerful deep learning algorithms. The first eight chapters deal with probability-based machine learning algorithms, and the last eight chapters deal with machine learning based on artificial neural networks. The first half of the book does not require mathematical sophistication, although familiarity with probability and statistics would be helpful. The second half assumes the reader is familiar with at least one semester of calculus. The text guides novice R programmers through algorithms and their application and along the way; the reader gains programming confidence in tackling advanced R programming challenges.

Highlights of the book include:

• More than 400 exercises
• A strong emphasis on improving programming skills and guiding beginners to the implementation of full-fledged algorithms
• Coverage of fundamental computer and mathematical concepts including logic, sets, and probability
• In-depth explanations of machine learning algorithms