کتاب شناسایی آماری الگو - جلد دوم: یادگیری بدون نظارت

آشنایی با الگو از ضروریات فعالیت در حوزه‌ی هوش مصنوعی است. زهره عظیمی‌ فر و احسان احمدی در کتاب شناسایی آماری الگو - جلد دوم، به این مهم می‌پردازند و به‌وسیله‌ی داده‌ها و نمودارهای گوناگون، فهم شما را از الگوها و کاربرد آن‌ها تعمیق می‌بخشند. اثر حاضر جلد دوم مجموعه کتاب شناسایی آماری الگو است.

درباره کتاب شناسایی آماری الگو - جلد دوم

جهان امروز جهان هوش مصنوعی است. تکنولوژی و هوش مصنوعی در زمینه‌های گوناگون دچار پیشرفت‌های خیره‌کننده شده‌اند و به‌همین‌ واسطه، کاربرد زیادی در زندگی ما پیدا کرده‌اند.

هوش مصنوعی، به‌وسیله‌ی الگوهایی کار می‌کند که در نتیجه‌ی ورودی‌ها و خروجی‌های از پیش تجربه شده، در آن نهادینه شده است. این تکنولوژی، ورودی و خروجی متناسب را تحلیل می‌کند و دفعه‌ی بعد که آن ورودی را دریافت کرد، همان خروجی را به وجود می‌آورد. این الگوها براساس اطلاعات بیرونی به وجود می‌آیند که اصطلاحاً به آن یادگیری نظارتی می‌گوییم.

کتاب شناسایی آماری الگو - جلد دوم، بخش اعظم تمرکز خود را به یادگیری بدون نظارت اختصاص داده است. در این نوع یادگیری، کشف ساختار و ماهیت داده، به‌واسطه‌ی شباهت یا عدم شباهت‌ آن‌ها اهمیت دارد. در این نوع از یادگیری، اطلاعات خاصی درمورد الگوها وجود ندارد. زهره عظیمی‌فر و احسان احمدی، در جلد اول کتاب به یادگیری با نظارت و در جلد سوم به یادگیری نظارتی تکمیلی پرداخته‌اند.

با مطالعه‌ی اثر حاضر، نوشته‌ی زهره عظیمی‌فر و احسان احمدی، با انواع یادگیری در زمینه‌ی هوش مصنوعی آشنا می‌شوید و نقش الگوها در به وجود آمدن آن‌ها را فرا می‌گیرید.

کتاب شناسایی آماری الگو - جلد دوم مناسب چه کسانی است؟

کسانی که با هوش مصنوعی و ماشین‌ها سروکار دارند، این کتاب را مفید خواهند یافت.

در بخشی از کتاب شناسایی آماری الگو - جلد دوم می‌خوانیم

الگوریتم k-میانگین داده‌ها را به طریقی در k خوشه قرار می‌دهد که فاصله‌ی درون‌خوشه‌ای کمینه شود. این روش از نظر مفهومی بسیار ساده و کارآمد می‌باشد و برای خوشه‌بندی مسائل با ابعاد بالا ولی تعداد خوشه‌های کم نیز از سرعت خوبی برخوردار است. اگرچه الگوریتم k-میانگین به سرعت همگرا می‌شود ولی خوشه‌بندی نهایی یک راه‌حل بهینه‌ی محلی می‌باشد.

این روش خوشه‌بندی تضمین نمی‌دهد که به راه‌حل بهینه‌ی کلی برسد. معمولاً برای مقابله با این مشکل، الگوریتم k-میانگین را چند بار تکرار کرده و بهترین نتیجه (برای مثال تکراری که کمترین مجموع مربعات فاصله‌ی درون خوشه‌ای را داشته باشد) را انتخاب می‌کنند. به دلیل مقداردهی اولیه‌ی گوناگون، نتایج متفاوتی از هر اجرای این الگوریتم برای یک مجموعه داده حاصل می‌شود. روش‌های دیگری به غیر از مقداردهی اولیه‌ی تصادفی نیز برای این الگوریتم پیشنهاد شده است.