"An Elementary Introduction to Statistical Learning Theory" - это комплексное и доступное введение в быстро развивающиеся области статистического распознавания образов и теории статистического обучения. Авторы, ведущие исследователи в области философии и электротехники, представляют основы современного машинного обучения и используют их как базу для философского мышления о индуктивном выводе. Книга демонстрирует ценность систематической методологии при использовании необходимых техник для оценки производительности системы обучения, а также приводит примеры применения машинного обучения в различных областях, таких как распознавание изображений, речи, медицинская диагностика и статистический арбитраж.
В книге представлены основные концепции и методы статистического обучения, включая проблему распознавания образов, оптимальное правило Байеса, правило ближайшего соседа, ядерные правила, нейронные сети, машину опорных векторов и бустинг. Кроме того, книга содержит две главы о соответствующих аспектах теории вероятностей, а также приложения, исследующие связь между представленным материалом и связанными темами из математики, философии, психологии и статистики.
Каждая глава заканчивается разделом-резюме, набором практических вопросов и разделом-справкой, который содержит исторические заметки и дополнительные ресурсы для дальнейшего изучения. "An Elementary Introduction to Statistical Learning Theory" - отличная книга для курсов по теории статистического обучения, распознаванию образов и машинному обучению на уровне бакалавриата и магистратуры. Она также служит вводным справочником для исследователей и практиков в областях инженерии, компьютерных наук, философии и когнитивной науки, которые хотят расширить свои знания по этой теме.
Эта книга – отличная отправная точка для тех, кто хочет ознакомиться с основами теории статистического обучения и понять ее роль в разъяснении человеческого обучения и рассуждений по индукции. Издание представляет собой целенаправленный и информационно доступный теоретический обзор трех стремительно развивающихся областей исследования статистических моделей и теории обучения. Благодаря высокому уровню объяснения материала, их не часто можно встретить в других книгах по этой теме, здесь авторы представляют основную теорию современного машинного обучения, и используют этот глубокий фундамент в качестве платформы для размышлений о статистических гипотезах. С точки зрения главных задач теории обучения, анализа того, что действительно можно достичь и какие границы существуют в исследовании, этот анализ демонстрирует важность применения системной методологии и использования необходимых техник сравнивания эффективности образовательного процесса. Вначале эту книгу стоит сравнить с различными областями, среди которых статистика, психология, и математика, найти связи с проблемами и теорией обучения. Можно считать, что это отличная книга для изучения теории обучения и для дополнительного исследования источников и дополнительных ресурсов.
Электронная Книга «An Elementary Introduction to Statistical Learning Theory» написана автором Kulkarni Sanjeev в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781118023433
Описание книги от Kulkarni Sanjeev
A thought-provoking look at statistical learning theory and its role in understanding human learning and inductive reasoning A joint endeavor from leading researchers in the fields of philosophy and electrical engineering, An Elementary Introduction to Statistical Learning Theory is a comprehensive and accessible primer on the rapidly evolving fields of statistical pattern recognition and statistical learning theory. Explaining these areas at a level and in a way that is not often found in other books on the topic, the authors present the basic theory behind contemporary machine learning and uniquely utilize its foundations as a framework for philosophical thinking about inductive inference. Promoting the fundamental goal of statistical learning, knowing what is achievable and what is not, this book demonstrates the value of a systematic methodology when used along with the needed techniques for evaluating the performance of a learning system. First, an introduction to machine learning is presented that includes brief discussions of applications such as image recognition, speech recognition, medical diagnostics, and statistical arbitrage. To enhance accessibility, two chapters on relevant aspects of probability theory are provided. Subsequent chapters feature coverage of topics such as the pattern recognition problem, optimal Bayes decision rule, the nearest neighbor rule, kernel rules, neural networks, support vector machines, and boosting. Appendices throughout the book explore the relationship between the discussed material and related topics from mathematics, philosophy, psychology, and statistics, drawing insightful connections between problems in these areas and statistical learning theory. All chapters conclude with a summary section, a set of practice questions, and a reference sections that supplies historical notes and additional resources for further study. An Elementary Introduction to Statistical Learning Theory is an excellent book for courses on statistical learning theory, pattern recognition, and machine learning at the upper-undergraduate and graduate levels. It also serves as an introductory reference for researchers and practitioners in the fields of engineering, computer science, philosophy, and cognitive science that would like to further their knowledge of the topic.
