لایب سان

A substantially revised fourth edition of a comprehensive textbook, including new coverage of recent advances in deep learning and neural networks.

The goal of machine learning is to program computers to use example data or past experience to solve a given problem. Machine learning underlies such exciting new technologies as self-driving cars, speech recognition, and translation applications. This substantially revised fourth edition of a comprehensive, widely used machine learning textbook offers new coverage of recent advances in the field in both theory and practice, including developments in deep learning and neural networks.

The book covers a broad array of topics not usually included in introductory machine learning texts, including supervised learning, Bayesian decision theory, parametric methods, semiparametric methods, nonparametric methods, multivariate analysis, hidden Markov models, reinforcement learning, kernel machines, graphical models, Bayesian estimation, and statistical testing. The fourth edition offers a new chapter on deep learning that discusses training, regularizing, and structuring deep neural networks such as convolutional and generative adversarial networks; new material in the chapter on reinforcement learning that covers the use of deep networks, the policy gradient methods, and deep reinforcement learning; new material in the chapter on multilayer perceptrons on autoencoders and the word2vec network; and discussion of a popular method of dimensionality reduction, t-SNE. New appendixes offer background material on linear algebra and optimization. End-of-chapter exercises help readers to apply concepts learned. Introduction to Machine Learning can be used in courses for advanced undergraduate and graduate students and as a reference for professionals.

چکیده فارسی

ویرایش اساسی اصلاح شده چهارم یک کتاب درسی جامع، شامل پوشش جدیدی از پیشرفت های اخیر در یادگیری عمیق و شبکه های عصبی.

هدف یادگیری ماشینی برنامه‌ریزی رایانه‌ها برای استفاده از داده‌های نمونه یا تجربیات گذشته برای حل یک مشکل معین است. یادگیری ماشینی زیربنای فناوری های جدید هیجان انگیزی مانند ماشین های خودران، تشخیص گفتار و برنامه های کاربردی ترجمه است. این ویرایش اساسی چهارم از یک کتاب درسی یادگیری ماشینی جامع و پرکاربرد، پوشش جدیدی از پیشرفت‌های اخیر در این زمینه را هم در تئوری و هم در عمل، از جمله پیشرفت‌ها در یادگیری عمیق و شبکه‌های عصبی، ارائه می‌کند.

این کتاب مجموعه وسیعی از موضوعات را پوشش می‌دهد که معمولاً در متون یادگیری ماشین مقدماتی گنجانده نمی‌شوند، از جمله یادگیری نظارت شده، نظریه تصمیم بیزی، روش‌های پارامتری، روش‌های نیمه پارامتریک، روش‌های ناپارامتریک، تحلیل چند متغیره، مدل‌های مارکوف پنهان، یادگیری تقویتی، ماشین‌های هسته، مدل‌های گرافیکی، تخمین بیزی، و آزمون‌های آماری. ویرایش چهارم فصل جدیدی را در مورد یادگیری عمیق ارائه می‌کند که در آن آموزش، منظم کردن و ساختار شبکه‌های عصبی عمیق مانند شبکه‌های متخاصم کانولوشنال و مولد بحث می‌کند. مطالب جدید در فصل یادگیری تقویتی که استفاده از شبکه های عمیق، روش های گرادیان خط مشی و یادگیری تقویتی عمیق را پوشش می دهد. مطالب جدید در فصل پرسپترون های چندلایه در رمزگذارهای خودکار و شبکه word2vec. و بحث در مورد روش محبوب کاهش ابعاد، t-SNE. ضمیمه های جدید مطالبی را در زمینه جبر خطی و بهینه سازی ارائه می دهند. تمرینات پایان فصل به خوانندگان کمک می کند تا مفاهیم آموخته شده را به کار گیرند. مقدمه‌ای بر یادگیری ماشین را می‌توان در دوره‌های آموزشی برای دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد و به عنوان مرجعی برای متخصصان استفاده کرد.