Principles And Theory For Data Mining And Machine Learning

این کتاب مقدمه ای کامل بر مهمترین موضوعات در داده کاوی و یادگیری ماشینی است. با بررسی دقیق تخمین توابع کلاسیک شروع می‌شود و با فصل‌هایی درباره رگرسیون غیرخطی، طبقه‌بندی و روش‌های مجموعه ادامه می‌یابد. فصل های پایانی بر خوشه بندی، کاهش ابعاد، انتخاب متغیر و مقایسه های چندگانه تمرکز دارند. همه این موضوعات در سال‌های اخیر توسعه فوق‌العاده سریعی را تجربه کرده‌اند و این درمان دیدگاهی مدرن با تاکید بر جدیدترین مشارکت‌ها ارائه می‌دهد. ارائه نتایج بنیادی مفصل است و شامل بسیاری از شواهد در دسترس است که خارج از منابع اصلی به راحتی در دسترس نیستند. در حالی که گرایش مفهومی و نظری است، نکات اصلی مرتباً با مقایسه‌های محاسباتی تقویت می‌شوند.

این کتاب عمدتاً به‌عنوان یک کتاب درسی مقطع تحصیلات تکمیلی برای دانشجویان آمار، علوم کامپیوتر و مهندسی برق در نظر گرفته شده است، این کتاب فقط پایه‌ای قوی دارد. در مقطع کارشناسی آمار و ریاضیات و تسهیلات با استفاده از بسته های R. متن دارای طیف گسترده ای از مشکلات است که بسیاری از آنها ماهیت اکتشافی دارند. مثال‌های محاسبه‌شده متعددی وجود دارد که با کد کامل می‌شوند تا محاسبات بیشتر به راحتی انجام شود. این کتاب همچنین به عنوان یک کتاب راهنما برای محققانی است که می خواهند یک مرور مفهومی از موضوعات اصلی در داده کاوی و یادگیری ماشین داشته باشند.

برتراند کلارک استاد آمار در گروه پزشکی، گروه اپیدمیولوژی و بهداشت عمومی و مرکز علوم محاسباتی در دانشگاه میامی است. او عضو هیئت تحریریه مجله انجمن آماری آمریکا، مجله برنامه ریزی و استنتاج آماری و مقالات آماری بوده است. او با اندرو بارون برنده جایزه Browder J. Thompson در سال 1990 از موسسه مهندسین برق و الکترونیک است.

ارنست فوکوئه استادیار آمار در دانشگاه کترینگ است. او همچنین در دانشگاه ایالتی اوهایو تدریس کرده است و یک بازدیدکننده طولانی مدت در موسسه علوم آماری و ریاضی بوده است، جایی که او پژوهشگر پسا دکتری در برنامه داده کاوی و یادگیری ماشین بوده است. او در سال 2000 برنده جایزه پژوهشگر جوان از انجمن بین المللی محاسبات آماری شد.

هائو هلن ژانگ، دانشیار آمار در گروه آمار در دانشگاه ایالتی کارولینای شمالی است. برای سال‌های 2003-2004، او پژوهشگر SAMSI بود و در سال 2007، جایزه توسعه شغلی اولیه دانشکده را از بنیاد ملی علوم دریافت کرد. او عضو هیئت تحریریه ژورنال انجمن آماری آمریکا و بیومتریک است.

This book is a thorough introduction to the most important topics in data mining and machine learning. It begins with a detailed review of classical function estimation and proceeds with chapters on nonlinear regression, classification, and ensemble methods. The final chapters focus on clustering, dimension reduction, variable selection, and multiple comparisons. All these topics have undergone extraordinarily rapid development in recent years and this treatment offers a modern perspective emphasizing the most recent contributions. The presentation of foundational results is detailed and includes many accessible proofs not readily available outside original sources. While the orientation is conceptual and theoretical, the main points are regularly reinforced by computational comparisons.

Intended primarily as a graduate level textbook for statistics, computer science, and electrical engineering students, this book assumes only a strong foundation in undergraduate statistics and mathematics, and facility with using R packages. The text has a wide variety of problems, many of an exploratory nature. There are numerous computed examples, complete with code, so that further computations can be carried out readily. The book also serves as a handbook for researchers who want a conceptual overview of the central topics in data mining and machine learning.

Bertrand Clarke is a Professor of Statistics in the Department of Medicine, Department of Epidemiology and Public Health, and the Center for Computational Sciences at the University of Miami. He has been on the Editorial Board of the Journal of the American Statistical Association, the Journal of Statistical Planning and Inference, and Statistical Papers. He is co-winner, with Andrew Barron, of the 1990 Browder J. Thompson Prize from the Institute of Electrical and Electronic Engineers.

Ernest Fokoue is an Assistant Professor of Statistics at Kettering University. He has also taught at Ohio State University and been a long term visitor at the Statistical and Mathematical Sciences Institute where he was a Post-doctoral Research Fellow in the Data Mining and Machine Learning Program. In 2000, he was the winner of the Young Researcher Award from the International Association for Statistical Computing.

Hao Helen Zhang is an Associate Professor of Statistics in the Department of Statistics at North Carolina State University. For 2003-2004, she was a Research Fellow at SAMSI and in 2007, she won a Faculty Early Career Development Award from the National Science Foundation. She is on the Editorial Board of the Journal of the American Statistical Association and Biometrics.