Neural Networks and Statistical Learning

این کتاب مقدمه‌ای گسترده و در عین حال دقیق از شبکه‌های عصبی و یادگیری ماشینی در یک چارچوب آماری ارائه می‌کند. یک منبع جامع و واحد برای مطالعه و تحقیقات بیشتر، مدل‌های شبکه عصبی محبوب و رویکردهای یادگیری آماری را با مثال‌ها و تمرین‌ها بررسی می‌کند و به خوانندگان اجازه می‌دهد تا درک عملی از محتوا به دست آورند. این نسخه جدید به روز شده نتایج منتشر شده اخیر را ارائه می دهد و شامل شش فصل جدید است که با پیشرفت های اخیر در تئوری یادگیری محاسباتی، کدگذاری پراکنده، یادگیری عمیق، داده های بزرگ و محاسبات ابری مطابقت دارد.

هر فصل دارای ویژگی های فوق العاده ای است. توصیف های هنری و یافته های پژوهشی مهم موضوعات تحت پوشش عبارتند از:

• پرسپترون چندلایه؛
• شبکه هاپفیلد؛
• مدل های حافظه انجمنی؛• مدل ها و الگوریتم های خوشه بندی؛
• t شبکه تابع پایه شعاعی؛
• شبکه های عصبی بازگشتی؛
• فاکتورسازی ماتریس غیرمنفی؛
• تجزیه و تحلیل مؤلفه های مستقل؛
•شبکه های احتمالی و بیزی. و
• مجموعه ها و منطق فازی.

این کتاب با تمرکز بر دستاوردهای برجسته و جنبه های عملی آنها، کارکنان آکادمیک و فنی و همچنین دانشجویان تحصیلات تکمیلی را ارائه می دهد. و محققانی با پایه محکم و مرجع جامع در زمینه‌های شبکه‌های عصبی، تشخیص الگو، پردازش سیگنال و یادگیری ماشین.

This book provides a broad yet detailed introduction to neural networks and machine learning in a statistical framework. A single, comprehensive resource for study and further research, it explores the major popular neural network models and statistical learning approaches with examples and exercises and allows readers to gain a practical working understanding of the content. This updated new edition presents recently published results and includes six new chapters that correspond to the recent advances in computational learning theory, sparse coding, deep learning, big data and cloud computing.

Each chapter features state-of-the-art descriptions and significant research findings. The topics covered include:

• multilayer perceptron;
• the Hopfield network;
• associative memory models;• clustering models and algorithms;
• t he radial basis function network;
• recurrent neural networks;
• nonnegative matrix factorization;
• independent component analysis;
•probabilistic and Bayesian networks; and
• fuzzy sets and logic.

Focusing on the prominent accomplishments and their practical aspects, this book provides academic and technical staff, as well as graduate students and researchers with a solid foundation and comprehensive reference on the fields of neural networks, pattern recognition, signal processing, and machine learning.