کتاب یادگیری ماشین با R

آبهیجیت قاتاک در کتاب یادگیری ماشین با R به واکاوی داده‌ها و یادگیری ماشین می‌پردازد و به شما در کشف الگوها و روابط ناشناخته پیرامون داده‌ها کمک می‌­کند.

معرفی کتاب یادگیری ماشین با R:

R یک زبان برنامه‌نویسی آماری منبع باز است که با هدف ایجاد تجزیه ‌و تحلیل از داده‌های تجربی و شبیه‌سازی‌ شده در علوم قابل‌ تولید استفاده می‌شود. آبهیجیت قاتاک (Abhijit Ghatak) در سه فصل اول کتاب «یادگیری ماشین با R» با عنوان انگلیسی (Machine Learning with R) به مبانی یادگیری ماشین می‌پردازد و در فصل‌های بعدی الگوریتم‌های مختلف در رگرسیون، طبقه‌بندی و خوشه‌بندی را با ریاضی تفسیر می‌کند. این فصل‌ها از طریق یک چارچوب ریاضی، شیوه کار الگوریتم‌های مربوطه را بررسی می‌کنند.

یادگیری ماشین چیست؟

یادگیری ماشین به معنای کشف خودکار الگوها و روندهای داده است که بیشتر از یک آنالیز ساده نیاز دارند. الگوریتم‌های پیچیده ریاضی برای تقسیم داده‌ها و پیش‌بینی احتمال وقایع آینده بر اساس رویدادهای گذشته (که از طریق تکنیک‌های کوئری ساده و گزارش‌دهی قابل‌حل نیست) استفاده می‌شوند. بین الگوریتم‌های یادگیری و آمار، هم‌­پوشانی زیادی وجود دارد و بیش‌تر تکنیک‌های مورد استفاده در الگوریتم‌های یادگیری را می‌توان در یک چارچوب آماری قرار داد.

مدل‌های آماری معمولاً فرضیه‌های مستحکمی در مورد داده‌ها ایجاد می­‌کنند و بر اساس آن فرضیات، اظهارات محکمی را درباره نتایج بیان می­‌کنند. اما اگر فرضیات در مدل یادگیری ناقص باشد؛ اعتبار مدل زیر سؤال می‌رود. یادگیری ماشین مقدار کمی از دانش ورودی را به مقدار زیادی از دانش خروجی تبدیل می­‌کند. از این رو، هرچه دانش بیش­تری در مورد داده‌ها داشته باشید، با این الگوریتم‌ها به دانش­‌های بیش­تری دست می­‌یابید. بنابراین تکرار هسته اصلی یادگیری ماشین است.

کتاب یادگیری ماشین با R به چه کسانی پیشنهاد می‌شود؟

این کتاب هم برای افراد تازه‌کار و هم برای متخصصان سودمند و کاربردی است. حتی اگر شما با کدهای R آشنایی اندکی داشته باشید نیز این اثر کمک‌کننده‌تان در یادگیری خواهد بود. همچنین کتاب حاضر به ‌عنوان اولین دوره یادگیری ماشین برای ترم آخر دانشجویان مقطع کارشناسی و ترم اول دانشجویان مقطع کارشناسی ارشد نوشته ‌شده است. علاوه بر این برای مطالعه شخصی نیز مناسب است و می‌تواند به ‌عنوان کتاب مرجع برای علاقه‌مندان به یادگیری ماشین مورد استفاده قرار گیرد.

در بخشی از کتاب یادگیری ماشین با R می‌خوانیم:

یکی از مشکلات داده‌های چند متغیره وجود متغیرهای بیش از حد زیاد است. این مشکل گاهی اوقات به عنوان مشقت بعدچندی شناخته می‌شود که ما را به روش تحلیل مؤلفه‌های اصلی می‌رساند، تکنیکی با هدف اصلی کاهش ابعاد مجموعه داده‌های چند متغیره که در عین حال بیش تر متغیرهای ممکن موجود در مجموعه داده‌ها را در نظر بگیرد. این امر با تبدیل به مجموعه جدیدی از متغیرهای که به عنوان مؤلفه‌های اصلی شناخته شده امکان‌پذیر است. این مجموعه که ترکیبی خطی از متغیرهای اصلی و غیر مرتبط هستند؛ به گونه‌ای مرتب می‌شوند که اولین تعداد از آن‌ها بیشترین تنوع در همه متغیرها را به خود اختصاص می‌دهد.

اولین مؤلفه اصلی، ترکیبی خطی از متغیرهای اصلی و دارای بزرگ‌ترین واریانس در بین همه ترکیبات خطی ممکن است. دومین مؤلفه اصلی، ترکیبی خطی از متغیرهای اصلی برای بیش‌ترین نسبت از واریانس باقی مانده (با هدف غیر همبسته بودن با اولین مؤلفه اصلی) در نظر گرفته می‌شود. اجزای بعدی به طور مشابه تعریف می‌شوند.