مبانی یادگیری ماشین

این مقدمه‌ی روشن و قابل فهم برای یادگیری ماشینی تحت نظارت، مفاهیم اصلی را به شیوه‌ای متمرکز و منطقی ارائه می‌دهد که دنبال کردن آن برای مبتدیان آسان است. نویسنده فرض را بر این می‌گذارد که حساب دیفرانسیل و انتگرال، جبر خطی، احتمال و آمار پایه است، اما هیچ آشنایی قبلی با یادگیری ماشین ندارد. پوشش مطالب شامل روش‌های سنتی پرکاربرد مانند SVMها، درخت‌های تقویت‌شده، HMMها و LDAها، به علاوه‌ی روش‌های رایج یادگیری عمیق مانند شبکه‌های عصبی کانولوشن، توجه، ترانسفورماتورها و GANها می‌شود. این متن که در یک چارچوب ارائه منسجم سازماندهی شده است که بر تصویر کلی تأکید دارد، هر روش را به روشنی و مختصر «از ابتدا» بر اساس اصول اولیه معرفی می‌کند. تمام روش‌ها و الگوریتم‌ها با سبکی تمیز و منسجم و با حداقل جزئیات غیرضروری توصیف شده‌اند. مطالعات موردی متعدد و مثال‌های ملموس نشان می‌دهند که چگونه می‌توان این روش‌ها را در زمینه‌های مختلف به کار برد.