کتاب Entropy Randomization in Machine Learning (تصادفی‌سازی آنتروپی در یادگیری ماشینی)، یک منبع آموزشی در حوزه یادگیری ماشین بوده که به تازگی در سال 2022 به چاپ رسیده است. این کتاب در 11 فصل به بحث تصادفی‌سازی آنتروپی در یادگیری ماشینی خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Entropy Randomization in Machine Learning را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Entropy Randomization in Machine Learning:
یکی از ویژگی‌های اساسی توسعه تمدن، انباشت دانش، با تبدیل بیشتر به راه حل‌هایی برای استخراج دانش جدید است. این تبدیل به روش‌های مختلفی از جمله استخراج دانش از داده‌های انباشته شده اجرا می‌شود. یک مدل با ویژگی‌های کمی اندازه‌گیری شده به عنوان یک ابزار اساسی برای انباشت دانش عمل می‌کند. با این حال، علاوه بر داده‌های کمی (دیجیتال)، ممکن است داده‌های غیر کمی نیز وجود داشته باشد، مانند داده‌های صوتی، تصویری، گرافیکی، متنی و سایر داده‌ها. در تحلیل نهایی، مشکل استخراج و انباشت دانش به دانشی در مورد مدل تقلیل می‌یابد که با تخمین ویژگی‌های آن رسمیت می‌یابد.
این فرآیند را می‌توان به عنوان یادگیری مدل با استفاده از داده‌ها تفسیر کرد. از آنجایی که یادگیری مدل با پردازش داده‌ها با استفاده از ماشین‌های محاسباتی انجام می شود، تفاوت مفهومی بین مدل و اجرای کامپیوتری آن بر این اساس ناپدید می‌شود و این باور طبیعی را ایجاد می‌کند که هدف یادگیری ماشین‌های محاسباتی است. چنین رویکردی ظاهر یادگیری ماشین (ML) را توضیح می‌دهد، یک اصطلاح و حتی علمی که از مبانی نظری آمار ریاضی، بهینه‌سازی، روش‌های عددی و فناوری اطلاعات ناشی می‌شود.
همچنین شما می‌توانید علاوه بر کتاب Entropy Randomization in Machine Learning از کتاب Machine Learning for Business Analytics نیز برای یادگیری بیشتر علم یادگیری ماشین استفاده کنید.
به عنوان یک قاعده، مشکل کلی یادگیری ماشین به سه دسته از مسائل به شرح زیر تقسیم می‌شود: طبقه‌بندی (تخصیص اشیا به انبارهای مناسب)، خوشه‌بندی (گروه‌بندی اشیاء کم و بیش همگن) و رگرسیون پویا (بازیابی روابط). بین داده علت و داده معلول). مرحله مهم یادگیری ماشینی، پیش‌بینی تغییرات احتمالی در راه‌حل‌های این مشکلات است. بر اساس درک مدرن، یادگیری ماشین مدل‌های قطعی «یادگرفته‌شده» را به دست می‌دهد که مجهز به تخمین‌های قابلیت اطمینان احتمالی تجربی هستند. در نتیجه، موضوع به یادگیری ماشینی احتمالی تجربی مربوط می‌شود.
کتاب Entropy Randomization in Machine Learning شاخه جدیدی از یادگیری ماشین به نام یادگیری ماشین تصادفی (RML) را توسعه می‌دهد که هدف آن تولید مجموعه‌ای از مدل‌های تصادفی‌شده با آنتروپی است. ما باید در نظر داشته باشیم که رویه‌های یادگیری ماشین برای مشکلات با سطح نسبتاً بالایی از عدم قطعیت (داده‌های قابل اعتماد ناقص، دانش ناقص در مورد فرآیندهای مدل‌سازی شده و غیره) اعمال می‌شوند. از این رو، گذار به مفهوم آنتروپی تصادفی‌سازی شده یادگیری ماشین می‌تواند ابزاری پربار و کارآمد برای حل مسائل کاربردی باشد.
حل عملی این مشکلات نیازمند یک کیت ابزار با روش‌های ریاضی و الگوریتمی یکپارچه (از یک سو) و ابزارهای نرم‌افزاری مبتنی بر سیستم‌های محاسباتی با کارایی بالا (از سوی دیگر) است. منابع و قابلیت‌های ماشین‌های کامپیوتری سالانه دو برابر می شود.
در نتیجه، حجم عظیمی از داده‌ها در قالب‌های طبیعی و دیجیتالی انباشته و ذخیره می‌شوند، به عنوان مثال، داده‌های انباشته‌شده در حال حاضر به میلیاردها پتافلاپ می‌رسد. مراکز داده بزرگی برای جمع‌آوری و ذخیره این داده‌ها در دوره‌های زمانی بسیار طولانی وجود دارد. با داده‌های انباشته شده علاوه بر ذخیره سازی چه باید کرد؟ جامعه علمی در تلاش است تا راه‌هایی را برای پردازش و استفاده از این داده‌ها ترسیم کند.
سرفصل‌های کتاب Entropy Randomization in Machine Learning:
- Chapter 1 General Concept of Machine Learning
- Chapter 2 Data Sources and Models
- Chapter 3 Dimension Reduction Methods
- Chapter 4 Randomized Parametric Models
- Chapter 5 Entropy-robust Estimation Procedures For Randomized Models and Measurement Noises
- Chapter 6 Entropy-robust Estimation Methods For Probabilities of Belonging In Machine Learning Procedures
- Chapter 7 Computational Methods of Randomized Machine Learning
- Chapter 8 Generation Methods For Random Vectors With Given Probability Density Functions Over Compact Sets
- Chapter 9 Information Technologies of Randomized Machine Learning
- Chapter 10 Entropy Classification
- Chapter 11 Randomized Machine Learning In Problems of Dynamic Regression and Prediction
- Appendix A Maximum Entropy Estimate (MEE) and Its Asymptotic Efficiency
- Appendix B Approximate Estimation of Structural Characteristics of Linear Dynamic Regression Model (LDR)
- Bibliography
- Index
فایل کتاب Entropy Randomization in Machine Learning را می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.