Statystyczne systemy uczące się

Systemy uczące się stanowią kluczowy element współczesnej analizy danych, znanej również jako eksploracja danych czy data mining. Dzięki szybko rosnącej mocy obliczeniowej komputerów i zwiększającej się pojemności pamięci mamy możliwość nie tylko magazynowania ogromnych ilości informacji, ale także ich efektywnego przetwarzania. W publikacji szczegółowo omówiono różne podejścia do klasyfikacji danych. Na początek wprowadzone są liniowe metody klasyfikacji, takie jak klasyfikacja pod nadzorem, dyskryminacja liniowa Fishera oraz koncepcja perceptronu Rosenblatta. Następnie poruszane są metody bazujące na rozkładach prawdopodobieństwa, które obejmują klasyfikator bayesowski i metody oparte na największej wiarogodności.Dalsze rozdziały przedstawiają metody klasyfikacji przy użyciu nieparametrycznej estymacji, w tym metodę najbliższych sąsiadów, oraz analizę drzew klasyfikacyjnych i ich różnorodnych algorytmów, takich jak bagging czy boosting. Część książki poświęcona jest również analizie regresji z uwzględnieniem zarówno modeli parametrycznych, jak i nieparametrycznych.Książka porusza także tematykę systemów uczących się pod nadzorem oraz samodzielnego uczenia się, w tym analizę rzutowania, wykrywanie zmiennych ukrytych oraz metody skalowania wielowymiarowego. Na koniec przybliżone są różnorodne podejścia do analizy skupień, zarówno te klasyczne, jak i mniej tradycyjne metody, co podkreśla złożoność i bogactwo tego pola badawczego. Pozycja ta stanowi wszechstronne wprowadzenie do systemów uczących się i metod analizy danych, będąc nieocenionym źródłem wiedzy dla każdego zainteresowanego tym obszarem.