دانلود کتاب یادگیری ماشین نظارت‌شده ۲۰۲۰ Supervised Machine Learning 2020

معرفی کتاب یادگیری ماشین نظارت‌شده ۲۰۲۰ چارچوب هوش مصنوعی ارائه شده در این کتاب، برای حل مسئله‌ی تبادل سوگیری-واریانس در روش‌های یادگیری نظارت‌شده در کاربردهای دنیای واقعی طراحی شده است. این چارچوب شامل بوت‌استرپینگ برای ایجاد مجموعه‌های داده‌ی آموزش و آزمایش متعدد با ویژگی‌های گوناگون، طراحی و تحلیل آزمایش‌های آماری برای شناسایی زیرمجموعه‌های ویژگی بهینه و اَبَرپارامترهای بهینه برای روش‌های یادگیری ماشین، و آلودگی داده برای آزمایش میزان استحکام طبقه‌بندی‌کننده‌ها است. ویژگی‌های کلیدی: استفاده از روش‌های یادگیری ماشین به تنهایی، ساخت طبقه‌بندی‌کننده‌هایی که به خوبی برای داده‌های جدید تعمیم یابند را تضمین نمی‌کند. شناسایی زیرمجموعه‌های ویژگی بهینه و اَبَرپارامترهای روش‌های یادگیری ماشین، با استفاده از طراحی و تحلیل آزمایش‌های آماری قابل حل است. استفاده از رویکرد بوت‌استرپینگ برای نمونه‌برداری گسترده از مجموعه‌های داده‌ی آموزش و آزمایش با ویژگی‌های داده‌ی مختلف (مانند مجموعه‌های آموزشی آلوده)، امکان مقابله با سوگیری را فراهم می‌کند. توسعه‌ی یک محیط جدول‌محور مبتنی بر SAS، مدیریت تمام فراداده‌های مرتبط با چارچوب هوش مصنوعی پیشنهادی و ایجاد قابلیت تعامل با کتابخانه‌های R را برای انجام انواع وظایف آماری و یادگیری ماشین امکان‌پذیر می‌سازد. برنامه‌های کامپیوتری به زبان‌های R و SAS که چارچوب هوش مصنوعی را ایجاد می‌کنند، در GitHub در دسترس هستند. فهرست کتاب: ۱. روی جلد ۲. صفحه عنوان فرعی ۳. صفحه عنوان ۴. صفحه حق چاپ ۵. تقدیم ۶. فهرست مطالب ۷. تقدیر و تشکر ۸. نویسندگان ۹. مقدمه: چالش‌ها در کاربرد روش‌های طبقه‌بندی یادگیری ماشین ۱۰. بخش اول ۱۱. بخش دوم ۱۲. بخش سوم ۱۳. فهرست نمایه توضیحات(انگلیسی) AI framework intended to solve a problem of bias-variance tradeoff for supervised learning methods in real-life applications. The AI framework comprises of bootstrapping to create multiple training and testing data sets with various characteristics, design and analysis of statistical experiments to identify optimal feature subsets and optimal hyper-parameters for ML methods, data contamination to test for the robustness of the classifiers. Key Features: Using ML methods by itself doesn’t ensure building classifiers that generalize well for new data Identifying optimal feature subsets and hyper-parameters of ML methods can be resolved using design and analysis of statistical experiments Using a bootstrapping approach to massive sampling of training and tests datasets with various data characteristics (e.g.: contaminated training sets) allows dealing with bias Developing of SAS-based table-driven environment allows managing all meta-data related to the proposed AI framework and creating interoperability with R libraries to accomplish variety of statistical and machine-learning tasks Computer programs in R and SAS that create AI framework are available on GitHub Table of Contents 1. Cover 2. Half Title 3. Title Page 4. Copyright Page 5. Dedication 6. Table of Contents 7. Acknowledgments 8. Authors 9. Introduction: Challenges in the Application of Machine Learning Classification Methods 10. Part I 11. Part II 12. Part III 13. Index