اطلاعات کتابشناختی
عنوان کتاب: مفهوم یادگیری ماشین – Understanding Machine Learning: From Theory to Algorithms
نویسنده: Shai Shalev-Shwartz, Shai Ben-David
ناشر: انتشارات Cambridge University Press, 2014
تعداد صفخات: ۳۹۷ صفحه
درباره نویسنده کتاب Understanding Machine Learning: From Theory to Algorithms
Shai Shalev-Shwartz is an Associate Professor at the School of Computer Science and Engineering at the Hebrew University of Jerusalem, Israel.
Shai Ben-David is a Professor in the School of Computer Science at the University of Waterloo, Canada
یادگیری ماشین (Machine learning) یکی از محبوبترین حوزه های هوش مصنوعی با بیشترین سطح از متقاضی چه برای آموزش و چه برای اجرای پروژه های تجاری می باشد که دلیل این موضوع هم کاربردهای بسیار گسترده و فراگیر در سطوح مختلف می باشد. ما در آکادمی یادگیری ماشین ایران، در راستان ارایه آموزش های سطح اول در این حوزه، در این پست قصد داریم یکی از کتب معتبر یادگیری ماشین را معرفی نماییم که علاوه بر آموزش یادگیری ماشین، پارادایم های الگوریتمی آن را به روش اصولی ارائه می دهد. این کتاب یک نظریه گسترده ای از ایده های اساسی در زمینه یادگیری ماشین و مشتقات ریاضی است که این اصول را به الگوریتم های عملی تبدیل می کند. پس از ارائه مقدمات اولیه جهت این موضوع، این کتاب مجموعه ای گسترده از موضوعات اصلی را که در کتاب های درسی قبلی مورد توجه قرار نگرفته است، پوشش می دهد. این کتاب برای مقطع کارشناسی و یا شروع دوره تحصیلات تکمیلی در رشته های کامپیوتر، هوش مصنوعی و علوم کامپیوتر می باشد. همچنین شایان ذکر است این کتاب مبانی و الگوریتم های یادگیری ماشین را برای دانش آموزان و خوانندگان غیر متخصص در زمینه آمار، علوم رایانه، ریاضیات و مهندسی فراهم می سازد.
- ۱۱-Foundations
۲۲-A Formal Learning Model
۳۱-Learning via Uniform Convergence
۳۶-The BiasComplexity Tradeoff
۴۳-The VCDimension
۵۸-Nonuniform Learnability
۷۳-The Runtime of Learning
۸۷-From Theory to Algorithms
۱۰۱-Boosting
۱۱۴-Model Selection and Validation
۱۲۴-Convex Learning Problems
۱۳۷-Regularization and Stability
۱۵۰-Stochastic Gradient Descent
۱۶۷-Support Vector Machines
۱۷۹-Kernel Methods
۱۹۰-Multiclass Ranking and Complex Prediction Problems
۲۱۲-Decision Trees
۲۱۹-Nearest Neighbor
۲۲۸-Neural Networks
۲۴۳-Additional Learning Models
۲۶۴-Clustering
۲۷۸-Dimensionality Reduction
۲۹۵-Generative Models
۳۰۹-Feature Selection and Generation
۳۲۳-Advanced Theory
۳۳۷-Covering Numbers
۳۵۱-Multiclass Learnability
۳۵۹-Compression Bounds
۳۶۹-Appendix A Technical Lemmas
۳۸۰-Linear Algebra
