لایب سان

A concise overview of machine learning—computer programs that learn from data—which underlies applications that include recommendation systems, face recognition, and driverless cars.

Today, machine learning underlies a range of applications we use every day, from product recommendations to voice recognition—as well as some we don't yet use everyday, including driverless cars. It is the basis of the new approach in computing where we do not write programs but collect data; the idea is to learn the algorithms for the tasks automatically from data. As computing devices grow more ubiquitous, a larger part of our lives and work is recorded digitally, and as “Big Data” has gotten bigger, the theory of machine learning—the foundation of efforts to process that data into knowledge—has also advanced. In this book, machine learning expert Ethem Alpaydin offers a concise overview of the subject for the general reader, describing its evolution, explaining important learning algorithms, and presenting example applications.

Alpaydin offers an account of how digital technology advanced from number-crunching mainframes to mobile devices, putting today's machine learning boom in context. He describes the basics of machine learning and some applications; the use of machine learning algorithms for pattern recognition; artificial neural networks inspired by the human brain; algorithms that learn associations between instances, with such applications as customer segmentation and learning recommendations; and reinforcement learning, when an autonomous agent learns act so as to maximize reward and minimize penalty. Alpaydin then considers some future directions for machine learning and the new field of “data science,” and discusses the ethical and legal implications for data privacy and security.

چکیده فارسی

مروری مختصر از یادگیری ماشین - برنامه‌های رایانه‌ای که از داده‌ها یاد می‌گیرند - که زیربنای برنامه‌هایی است که شامل سیستم‌های توصیه، تشخیص چهره، و خودروهای بدون راننده می‌شود.

امروزه، یادگیری ماشینی زیربنای طیف وسیعی از برنامه‌هایی است که ما هر روز از آنها استفاده می‌کنیم، از توصیه‌های محصول گرفته تا تشخیص صدا - و همچنین برخی که هنوز روزانه از آنها استفاده نمی‌کنیم، از جمله خودروهای بدون راننده. این اساس رویکرد جدید در محاسبات است که در آن ما برنامه نمی نویسیم بلکه داده ها را جمع آوری می کنیم. ایده این است که الگوریتم های وظایف را به طور خودکار از داده ها یاد بگیرید. با فراگیرتر شدن دستگاه‌های محاسباتی، بخش بزرگ‌تری از زندگی و کار ما به‌صورت دیجیتالی ثبت می‌شود، و با بزرگ‌تر شدن «داده‌های بزرگ»، نظریه یادگیری ماشین - پایه تلاش‌ها برای پردازش این داده‌ها به دانش - نیز پیشرفت کرده است. در این کتاب، Ethem Alpaydin، متخصص یادگیری ماشین، مروری مختصر از موضوع را برای خوانندگان عمومی ارائه می‌کند، تکامل آن را توصیف می‌کند، الگوریتم‌های یادگیری مهم را توضیح می‌دهد، و نمونه‌ای از کاربردها را ارائه می‌دهد.

Alpaydin گزارشی از چگونگی پیشرفت فناوری دیجیتال از رایانه‌های بزرگ بزرگ به دستگاه‌های تلفن همراه ارائه می‌دهد و رونق یادگیری ماشین امروزی را در چارچوب قرار می‌دهد. او اصول یادگیری ماشین و برخی کاربردها را شرح می دهد. استفاده از الگوریتم های یادگیری ماشین برای تشخیص الگو؛ شبکه های عصبی مصنوعی با الهام از مغز انسان؛ الگوریتم هایی که ارتباط بین نمونه ها را با کاربردهایی مانند تقسیم بندی مشتری و توصیه های یادگیری یاد می گیرند. و یادگیری تقویتی، زمانی که یک عامل مستقل یاد می‌گیرد، به گونه‌ای عمل می‌کند که پاداش را به حداکثر و جریمه را به حداقل برساند. Alpaydin سپس برخی از مسیرهای آینده را برای یادگیری ماشین و زمینه جدید "علم داده" در نظر می گیرد و مفاهیم اخلاقی و قانونی برای حفظ حریم خصوصی و امنیت داده ها را مورد بحث قرار می دهد.