کتاب Machine Learning: A Probabilistic Perspective

107 ۰

اطلاعات کتابشناختی

  • عنوان کتاب: Machine Learning: A Probabilistic Perspective
  • نویسنده: Kevin P. Murphy
  • ناشر: انتشارات: MIT Press, 2012
  • تعداد صفخات:۱۰۶۷ صفحه

کتاب Machine Learning: A Probabilistic Perspective، مقدمه ای جامع برای یادگیری ماشین (Machine Learning) به ویژه احتمالات یادگیری ماشین، با تمرکز بر روی محاسبات از جنس ریاضیات و احتمالات که از مدل های احتمالاتی و استنتاج به عنوان یک رویکرد اصلی استفاده می کند. این کتاب، به عنوان یکی از اصلی ترین کتب و مراجع پیشنهادی در دانشگاه ها و موسسات جهان می باشد به گونه ای که در اکثر دانشگاه های داخل کشور عزیزمان، ایران نیز این موضوع مستثنا نمی باشد. شاید یکی از دلایل این امر، نوشتار آسان و سهولت در مطالعه متون این کتاب می باشد.

همانطور که می دانید، داده‌ها معمولاً از سوی انسان‌ها به صورت حروف، اعداد، علائم و در رایانه به صورت نمادهایی  قراردادی ارائه می‌شوند. اصطلاح داده یک عبارت نسبی است یعنی اگر موجب درک و فهم لازم و کامل در این مرحله شده‌است به عنوان آگاهی یا اطلاعات از آن نام می‌برند و چنانچه موجب درک و فهم کامل نگردد به عنوان همان داده به‌شمار می‌آیند و چون هدف نهایی آگاهی و اطلاعات است باید از سوی دست‌اندرکاران دستکاری یا پردازش شوند. در پردازش داده‌ها (Data Processing) در ابتدا داده‌ها به وارد سیستم های کامپیوتری شده و سپس این داده‌ها ذخیره شده و روی آن‌ها عملیات محاسباتی صورت می‌گیرد. پس از این که این پردازش صورت گرفت؛ معمولاً داده‌ها به یک سیستم دیگر یا دوباره به انسان‌ها منتقل می‌شود.

موضوعات مذکور به ویژه تحلیل داده ها در ابعاد بسیار زیاد، توسط الگورریتم ها و روش های یادگیری ماشین (Machine Learning) فراهم خواهد شد؛ بدین ترتیب روش هایی ایجاد خواهد شد که توانایی شناسایی الگوها و Pattern تمامی داده ها را به صورت کاملاً خودکار خواهد داشت و سپس الگوهای پیشنهادی موجود هوش مصنوعی و ماشین لرنینگ را برای پیش بینی داده های آینده استفاده نماید. این کتاب درسی یک مبحث جامع و مستقل در زمینه یادگیری ماشین را بر اساس رویکرد احتمالاتی و به صورت کاملاً یکپارچه و کاربردی ارائه می دهد.

سطح پوشش مطالب در کتاب

کتاب Machine Learning: A Probabilistic Perspective، به صورت عمیق مطالب لازم در زمینه موضوعاتی مانند احتمال، بهینه سازی و جبر خطی و همچنین پیشرفت های اخیر در رابطه با علم یادگیری ماشین و هوش مصنوعی را پوشش می دهد. همچنین مواردی از جمله زمینه های احتمالات شرطی، تنظیم L1 و یادگیری عمیق (Deep Learning) را در این کتاب می توانید مورد مطالعه قرار دهید.

این کتاب به صورت غیر رسمی در دسترس است که البته با شبه کدهای ارایه شده برای الگوریتم های مهم؛ تکمیل شده است. همه موضوعات به طور گسترده ای با تصاویر رنگی نشان داده شده و نمونه های کار شده از حوزه های کاربردی مانند زیست شناسی، پردازش متن (Natural Language Processing)، بینایی ماشین و نیز روباتیک کار می کنند. در ادامه گفتنی است، تقریبا تمام مدل های توصیف شده در یک بسته نرم افزاری MATLAB (ابزارک مدل سازی احتمالی) که به صورت رایگان و آنلاین در دسترس است. این کتاب برای دانشجویان مقطع کارشناسی ارشد با پیشینه ریاضی کالج مقدماتی و دانشجویان تحصیلات تکمیلی نیز مناسب است.

1-Introduction
۲-Probability
۳-Generative Models for Discrete Data
۴-Gaussian Models
۵-Bayesian Statistics
۶-Frequentist Statistics
۷-Linear Regression
۸-Logistic Regression
۹-Generalized Linear Models and the Exponential Family
۱۰-Directed Graphical Models Bayes Nets
۱۱-Mixture Models and the EM Algorithm
۱۲-Latent Linear Models
۱۳-Sparse Linear Models
۱۴-Kernels
۱۵-Gaussian Processes
۱۶-Adaptive Basis Function Models
۱۷-Markov and Hidden Markov Models
۱۸-State Space Models
۱۹-Undirected Graphical Models Markov Random Fields
۲۰-Exact Inference for Graphical Models
۲۱-Variational Inference
۲۲-More Variational Inference
۲۳-Monte Carlo Inference
۲۴-Markov Chain Monte Carlo MCMC Inference
۲۵-Clustering
۲۶-Graphical Model Structure Learning
۲۷-Latent Variable Models for Discrete Data
۲۸-Deep Learning

نوشته مرتبط

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *