یادگیری ماشین با R

کتاب یادگیری ماشین با R نوشته آبهیجیت گتاهاگ است که به همت جناب آقای رمضان عباس نژاد وزری و همکاران ترجمه و توسط انتشارات فناوری نوین منتشر شده است.
پیشگفتار نویسنده:
گرایش من به یادگیری ماشین در سال 1992 و هنگام کار روی پایان‌ نامه کارشناسی ارشدم با عنوان: «پیش‌بینی پاسخ ارتعاش پیچشی یک شفت (محور پروانه) انتقال قدرت دریایی» به وجود آمد. این مدل با استفاده از قانون نیوتن - رافسون بر اساس روندی تکراری جهت بهینه‌ سازی زنجیره ای از بردارهای وضعیت تعریف‌ شده توسط ماتریس های انتقال بود. الگوریتم بهینه‌ سازی با استفاده از زبان برنامه‌ نویسی C نوشته شد و این به من قدرت ماشین ها در محاسبات عددی و آسیب‌ پذیری آن در مورد خطای نقطه شناور را معرفی کرد. اگرچه اصطلاح «یادگیری ماشین» بعدها خیلی بصری شد، اما من در مدل ریاضی خود از قدرت یک تراشه 8088 برای پیش‌ بینی یک پاسخ استفاده کردم.
بعدها استفاده از روش‌ های بهینه‌ سازی را با استفاده از رایانه ها در زمینه مهندسی و تجارت شروع کردم. در برخی موارد بر این باور بودم که سامان‌ دهی به یادداشت‌ هایم ایده خوبی است و با تامل روی موضوعات، کتابی نوشتم که موارد مهم و موردنیاز در مورد یادگیری ماشین جبر خطی، آمار و الگوریتم‌ های یادگیری را در بر می‌ گیرد.

یادگیری ماشین چیست؟
این کتاب در مورد داده‌ کاوی و یادگیری ماشین است که به ما کمک می کند تا الگوها و روابط ناشناخته در مورد داده‌ ها را کشف کنیم. یادگیری ماشین فرایند کشف خودکار الگوهای و روندهای داده است که فراتر از یک آنالیز ساده نیاز دارند. الگوریتم‌ های پیچیده ریاضی برای تقسیم داده‌ ها و پیش‌ بینی احتمال وقایع آینده بر اساس رویدادهای گذشته (که از طریق تکنیک‌ های کوئری ساده و گزارش دهی قابل‌حل نیست) استفاده می‌ شوند. بین الگوریتم‌ های یادگیری و آمار همپوشانی زیادی وجود دارد و بیشتر تکنیک‌ های مورداستفاده در الگوریتم‌ های یادگیری را می‌ توان در یک چارچوب آماری قرار داد. مدل‌ های آماری معمولا فرضیه‌ های مستحکمی در مورد داده‌ ها ایجاد می کنند و بر اساس آن فرضیات، اظهارات محکمی را درباره نتایج بیان می کنند.

این کتاب به چه کسانی توصیه می شود:
این کتاب هم برای افراد تازه کار و هم برای متخصصان در نظر گرفته‌ شده است. اگر خواننده کمی با کدهای R آشنا باشد، این کتاب برای او مفید و کمک‌ کننده است. R یک زبان برنامه‌ نویسی آماری منبع باز با هدف ایجاد تجزیه‌ و تحلیل از داده‌ های تجربی و شبیه‌ سازی‌ شده در علوم قابل‌ تولید است. سه فصل اول شامل مبانی یادگیری ماشین است و فصول بعدی به تفسیر ریاضی الگوریتم‌ های مختلف در رگرسیون، طبقه‌ بندی و خوشه‌ بندی می‌ پردازد. این فصل‌ ها به جزئیات یادگیری با ناظر و بدون ناظر می‌ پردازند و از طریق یک چارچوب ریاضی، نحوه کار الگوریتم‌ های مربوطه را موردبحث قرار می‌ دهند.
این کتاب خوانندگان را مجبور می کند تا دوباره آن را بخوانند. برای شفافیت بهتر در برخی از مباحث دشوار به آن ارجاع متقابل شده است. این کتاب به‌ عنوان اولین دوره یادگیری ماشین برای ترم آخر دانشجویان مقطع کارشناسی و ترم اول دانشجویان مقطع کارشناسی ارشد نوشته‌ شده است. کتاب همچنین برای مطالعه شخصی نیز مناسب است و می‌ تواند به‌ عنوان کتاب مرجع برای علاقه‌ مندان به یادگیری ماشین مورداستفاده قرار گیرد.