لایب سان

A comprehensive introduction to the most important machine learning approaches used in predictive data analytics, covering both theoretical concepts and practical applications.

Machine learning is often used to build predictive models by extracting patterns from large datasets. These models are used in predictive data analytics applications including price prediction, risk assessment, predicting customer behavior, and document classification. This introductory textbook offers a detailed and focused treatment of the most important machine learning approaches used in predictive data analytics, covering both theoretical concepts and practical applications. Technical and mathematical material is augmented with explanatory worked examples, and case studies illustrate the application of these models in the broader business context.

After discussing the trajectory from data to insight to decision, the book describes four approaches to machine learning: information-based learning, similarity-based learning, probability-based learning, and error-based learning. Each of these approaches is introduced by a nontechnical explanation of the underlying concept, followed by mathematical models and algorithms illustrated by detailed worked examples. Finally, the book considers techniques for evaluating prediction models and offers two case studies that describe specific data analytics projects through each phase of development, from formulating the business problem to implementation of the analytics solution. The book, informed by the authors' many years of teaching machine learning, and working on predictive data analytics projects, is suitable for use by undergraduates in computer science, engineering, mathematics, or statistics; by graduate students in disciplines with applications for predictive data analytics; and as a reference for professionals.

چکیده فارسی

مقدمه‌ای جامع بر مهم‌ترین رویکردهای یادگیری ماشینی مورد استفاده در تجزیه و تحلیل داده‌های پیش‌بینی‌کننده، که هم مفاهیم نظری و هم کاربردهای عملی را پوشش می‌دهد.

یادگیری ماشینی اغلب برای ساخت مدل های پیش بینی با استخراج الگوها از مجموعه داده های بزرگ استفاده می شود. این مدل ها در برنامه های کاربردی تجزیه و تحلیل داده های پیش بینی شده از جمله پیش بینی قیمت، ارزیابی ریسک، پیش بینی رفتار مشتری و طبقه بندی اسناد استفاده می شوند. این کتاب درسی مقدماتی، درمان دقیق و متمرکزی از مهم‌ترین رویکردهای یادگیری ماشینی مورد استفاده در تجزیه و تحلیل داده‌های پیش‌بینی‌کننده را ارائه می‌دهد که هم مفاهیم نظری و هم کاربردهای عملی را پوشش می‌دهد. مطالب فنی و ریاضی با مثال‌های کاربردی توضیحی افزوده می‌شود و مطالعات موردی کاربرد این مدل‌ها را در زمینه تجاری گسترده‌تر نشان می‌دهد.

پس از بحث در مورد مسیر از داده‌ها تا بینش تا تصمیم‌گیری، این کتاب چهار رویکرد را برای یادگیری ماشین شرح می‌دهد: یادگیری مبتنی بر اطلاعات، یادگیری مبتنی بر شباهت، یادگیری مبتنی بر احتمال، و یادگیری مبتنی بر خطا. هر یک از این رویکردها با توضیح غیر فنی مفهوم زیربنایی، به دنبال مدل‌های ریاضی و الگوریتم‌هایی که با مثال‌های کار شده با جزئیات نشان داده شده‌اند، معرفی می‌شوند. در نهایت، این کتاب تکنیک‌هایی را برای ارزیابی مدل‌های پیش‌بینی در نظر می‌گیرد و دو مطالعه موردی را ارائه می‌کند که پروژه‌های تجزیه و تحلیل داده‌های خاص را در هر مرحله از توسعه، از فرمول‌بندی مشکل کسب‌وکار تا اجرای راه‌حل تحلیلی، توصیف می‌کند. این کتاب که توسط نویسندگان چندین سال آموزش یادگیری ماشینی و کار بر روی پروژه‌های تجزیه و تحلیل داده‌های پیش‌گویانه ارائه شده است، برای استفاده توسط دانشجویان کارشناسی علوم کامپیوتر، مهندسی، ریاضیات یا آمار مناسب است. توسط دانشجویان فارغ التحصیل در رشته هایی با برنامه های کاربردی برای تجزیه و تحلیل داده های پیش بینی. و به عنوان مرجعی برای متخصصان.