Sparse Estimation with Math and R: 100 Exercises for Building Logic

ویرایش: [1st ed. 2021] 
نویسندگان: Joe Suzuki  
سری:  
ISBN (شابک) : 9811614458, 9789811614453 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: [241] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

قیمت کتاب (تومان) : 84,000

حیاتی ترین توانایی برای یادگیری ماشین و علم داده، منطق ریاضی برای درک ماهیت آنها به جای دانش و تجربه است. این کتاب درسی با در نظر گرفتن مسائل ریاضی و ساخت برنامه های R به اصل تخمین پراکنده نزدیک می شود.

هر فصل مفهوم پراکندگی را معرفی می‌کند و رویه‌هایی را ارائه می‌کند که مشتق‌های ریاضی و برنامه‌های منبع را با مثال‌هایی از اجرا دنبال می‌کنند. برای به حداکثر رساندن بینش خوانندگان در مورد پراکندگی، تقریباً برای همه گزاره‌ها اثبات‌های ریاضی ارائه می‌شوند و برنامه‌ها بدون وابستگی به هیچ بسته‌ای توصیف می‌شوند. این کتاب با دقت سازماندهی شده است تا راه‌حل‌های تمرین‌های هر فصل را ارائه دهد تا خوانندگان بتوانند به سادگی با دنبال کردن مطالب هر فصل، مجموع 100 تمرین را حل کنند.

این کتاب درسی برای دانشجویان کارشناسی یا کارشناسی ارشد مناسب است. دوره متشکل از حدود 15 سخنرانی (هر کدام 90 دقیقه). این کتاب که به سبکی ساده و مستقل نوشته شده است، همچنین یک ماده عالی برای یادگیری مستقل توسط دانشمندان داده، مهندسان یادگیری ماشین و محققان علاقه مند به رگرسیون خطی، کمند خطی تعمیم یافته، کمند گروهی، کمند ذوب شده، گرافیک خواهد بود. مدل‌ها، تجزیه ماتریس و تحلیل چند متغیره.

این کتاب یکی از مجموعه‌ای از کتاب‌های درسی یادگیری ماشین توسط همین نویسنده است. عناوین دیگر عبارتند از: 

- یادگیری آماری با ریاضی و R (https://www.springer.com/gp/book/9789811575679)

- یادگیری آماری با ریاضیات و پایتون ( https://www.springer.com/gp/book/9789811578762)

- تخمین پراکنده با ریاضی و پایتون

The most crucial ability for machine learning and data science is mathematical logic for grasping their essence rather than knowledge and experience. This textbook approaches the essence of sparse estimation by considering math problems and building R programs.  

Each chapter introduces the notion of sparsity and provides procedures followed by mathematical derivations and source programs with examples of execution. To maximize readers’ insights into sparsity, mathematical proofs are presented for almost all propositions, and programs are described without depending on any packages. The book is carefully organized to provide the solutions to the exercises in each chapter so that readers can solve the total of 100 exercises by simply following the contents of each chapter.

This textbook is suitable for an undergraduate or graduate course consisting of about 15 lectures (90 mins each). Written in an easy-to-follow and self-contained style, this book will also be perfect material for independent learning by data scientists, machine learning engineers, and researchers interested in linear regression, generalized linear lasso, group lasso, fused lasso, graphical models, matrix decomposition, and multivariate analysis.

This book is one of a series of textbooks in machine learning by the same author. Other titles are: 

- Statistical Learning with Math and R (https://www.springer.com/gp/book/9789811575679)

- Statistical Learning with Math and Python (https://www.springer.com/gp/book/9789811578762)

- Sparse Estimation with Math and Python

Preface
	What Makes SEMR Unique?
Contents
1 Linear Regression
	1.1 Linear Regression
	1.2 Subderivative
	1.3 Lasso
	1.4 Ridge
	1.5 A Comparison Between Lasso and Ridge
	1.6 Elastic Net
	1.7 About How to Set the Value of λ
2 Generalized Linear Regression
	2.1 Generalization of Lasso in Linear Regression
	2.2 Logistic Regression for Binary Values
	2.3 Logistic Regression for Multiple Values
	2.4 Poisson Regression
	2.5 Survival Analysis
3 Group Lasso
	3.1 When One Group Exists
	3.2 Proximal Gradient Method
	3.3 Group Lasso
	3.4 Sparse Group Lasso
	3.5 Overlap Lasso
	3.6 Group Lasso with Multiple Responses
	3.7 Group Lasso via Logistic Regression
	3.8 Group Lasso for the Generalized Additive Models
4 Fused Lasso
	4.1 Applications of Fused Lasso
	4.2 Solving Fused Lasso via Dynamic Programming
	4.3 LARS
	4.4 Dual Lasso Problem and Generalized Lasso
	4.5 ADMM
5 Graphical Models
	5.1 Graphical Models
	5.2 Graphical Lasso
	5.3 Estimation of the Graphical Model based on the Quasi-likelihood
	5.4 Joint Graphical Lasso
6 Matrix Decomposition
	6.1 Singular Decomposition
	6.2 Eckart-Young's Theorem
	6.3 Norm
	6.4 Sparse Estimation for Low-Rank Estimations
7 Multivariate Analysis
	7.1 Principal Component Analysis (1): SCoTLASS
	7.2 Principle Component Analysis (2): SPCA
	7.3 K-Means Clustering
	7.4 Convex Clustering
Appendix  Bibliography