مقدمة في التعلم الإحصائي - (Springer Texts in Statistics) الطبعة الثانية (غلاف فني)

ملخص الكتاب يقدم كتاب An Introduction to Statistical Learning نظرة عامة ميسرة على مجال التعلم الإحصائي، والذي يعد مجموعة أدوات أساسية لفهم مجموعات البيانات الضخمة والمعقدة التي ظهرت في مجالات متنوعة، بدءاً من علم الأحياء وصولاً إلى التمويل والتسويق والفيزياء الفلكية خلال العشرين سنة الماضية. يستعرض هذا الكتاب بعضاً من أهم تقنيات النمذجة والتنبؤ، إلى جانب تطبيقات ذات صلة. تشمل المواضيع التي يتناولها الكتاب الانحدار الخطي، والتصنيف، وطرق إعادة أخذ العينات، ونهج الانكماش، والطرق القائمة على الأشجار، وآلات المتجهات الداعمة، والتجميع، والتعلم العميق، وتحليل البقاء، والاختبار المتعدد، وغيرها الكثير. كما تم استخدام رسوم توضيحية ملونة وأمثلة من الواقع العملي لتوضيح الأساليب المقدمة. بما أن الهدف من هذا الكتاب التعليمي هو تسهيل استخدام تقنيات التعلم الإحصائي هذه من قبل الممارسين في العلوم والصناعة والمجالات الأخرى، فإن كل فصل يتضمن درساً تطبيقياً حول تنفيذ التحليلات والأساليب المعروضة باستخدام R، وهي منصة برمجية إحصائية مفتوحة المصدر تحظى بشعبية هائلة. وقد شارك اثنان من المؤلفين في تأليف The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, الطبعة الثانية 2009)، وهو كتاب مرجعي شهير لباحثي الإحصاء وتعلم الآلة. يغطي كتاب An Introduction to Statistical Learning العديد من المواضيع ذاتها، ولكن بمستوى يسهل الوصول إليه من قبل جمهور أوسع بكثير. يستهدف هذا الكتاب الإحصائيين وغير الإحصائيين على حد سواء ممن يرغبون في استخدام تقنيات التعلم الإحصائي المتطورة لتحليل بياناتهم. يفترض النص معرفة مسبقة بدورة في الانحدار الخطي فقط، ولا يتطلب أي معرفة بالجبر المصفوفي.

تتضمن هذه الطبعة الثانية فصولاً جديدة حول التعلم العميق، وتحليل البقاء، والاختبارات المتعددة، بالإضافة إلى توسيع نطاق الشرح لكل من نموذج naïve Bayes، والنماذج الخطية المعممة، وأشجار الانحدار الإضافية البايزية، وإكمال المصفوفات. كما تم تحديث كود R في جميع أنحاء الكتاب لضمان التوافق.

عن الغلاف الخلفي يقدم كتاب An Introduction to Statistical Learning نظرة عامة ميسرة على مجال التعلم الإحصائي، والذي يعد مجموعة أدوات أساسية لفهم مجموعات البيانات الضخمة والمعقدة التي ظهرت في مجالات متنوعة، بدءاً من علم الأحياء وصولاً إلى التمويل والتسويق والفيزياء الفلكية خلال العشرين سنة الماضية. يستعرض هذا الكتاب بعضاً من أهم تقنيات النمذجة والتنبؤ، إلى جانب تطبيقات ذات صلة. تشمل المواضيع التي يتناولها الكتاب الانحدار الخطي، والتصنيف، وطرق إعادة أخذ العينات، ونهج الانكماش، والطرق القائمة على الأشجار، وآلات المتجهات الداعمة، والتجميع، والتعلم العميق، وتحليل البقاء، والاختبار المتعدد، وغيرها الكثير. كما تم استخدام رسوم توضيحية ملونة وأمثلة من الواقع العملي لتوضيح الأساليب المقدمة. بما أن الهدف من هذا الكتاب التعليمي هو تسهيل استخدام تقنيات التعلم الإحصائي هذه من قبل الممارسين في العلوم والصناعة والمجالات الأخرى، فإن كل فصل يتضمن درساً تطبيقياً حول تنفيذ التحليلات والأساليب المعروضة باستخدام R، وهي منصة برمجية إحصائية مفتوحة المصدر تحظى بشعبية هائلة. وقد شارك اثنان من المؤلفين في تأليف The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, الطبعة الثانية 2009)، وهو كتاب مرجعي شهير لباحثي الإحصاء وتعلم الآلة. يغطي كتاب An Introduction to Statistical Learning العديد من المواضيع ذاتها، ولكن بمستوى يسهل الوصول إليه من قبل جمهور أوسع بكثير. يستهدف هذا الكتاب الإحصائيين وغير الإحصائيين على حد سواء ممن يرغبون في استخدام تقنيات التعلم الإحصائي المتطورة لتحليل بياناتهم. يفترض النص معرفة مسبقة بدورة في الانحدار الخطي فقط، ولا يتطلب أي معرفة بالجبر المصفوفي.

تتضمن هذه الطبعة الثانية فصولاً جديدة حول التعلم العميق، وتحليل البقاء، والاختبارات المتعددة، بالإضافة إلى توسيع نطاق الشرح لكل من نموذج naïve Bayes، والنماذج الخطية المعممة، وأشجار الانحدار الإضافية البايزية، وإكمال المصفوفات. كما تم تحديث كود R في جميع أنحاء الكتاب لضمان التوافق.

نبذة عن المؤلف

غاريث جيمس هو أستاذ علوم البيانات والعمليات، ويشغل كرسي E. Morgan Stanley في إدارة الأعمال بجامعة جنوب كاليفورنيا. وقد نشر مجموعة واسعة من الأعمال المنهجية في مجال التعلم الإحصائي، مع تركيز خاص على البيانات عالية الأبعاد والبيانات الوظيفية. وقد نشأ الإطار المفاهيمي لهذا الكتاب من خلال مساقاته الاختيارية في برنامج ماجستير إدارة الأعمال (MBA) في هذا المجال. أما دانييلا ويتن فهي أستاذة الإحصاء والإحصاء الحيوي، وتشغل كرسي Dorothy Gilford في جامعة واشنطن. تتركز أبحاثها بشكل كبير على تقنيات التعلم الآلي الإحصائي لتحليل البيانات المعقدة وغير المنظمة والضخمة، مع التركيز على التعلم غير الخاضع للإشراف. ويشغل Trevor Hastie و Robert Tibshirani منصب أستاذين للإحصاء في Stanford University، وهما المؤلفان المشاركان للكتاب التعليمي الناجح Elements of Statistical Learning. وقد طور Hastie و Tibshirani النماذج الإضافية المعممة وألفا كتاباً شهيراً بهذا العنوان. كما شارك Hastie في تطوير الكثير من برمجيات وبيئات النمذجة الإحصائية في R/S-PLUS، وابتكر المنحنيات والأسطح الرئيسية. اقترح تيبشيراني أسلوب lasso وهو مؤلف مشارك للكتاب الناجح للغاية An Introduction to the Bootstrap.