خرید و دانلود نسخه کامل کتاب Information theory and learning. A physical approach

توضیحاتی در مورد کتاب

ما سعی می کنیم یک رویکرد نظری اطلاعات یکپارچه برای یادگیری ایجاد کنیم و برخی از کاربردهای آن را بررسی کنیم. ابتدا، اطلاعات پیش‌بینی‌کننده را به‌عنوان اطلاعات متقابل بین گذشته و آینده یک سری زمانی تعریف می‌کنیم، رفتار آن را به عنوان تابعی از طول سری مورد بحث قرار می‌دهیم، و توضیح می‌دهیم که چگونه سایر مقادیر مورد علاقه قبلاً در تئوری یادگیری مطالعه شده‌اند. در سیستم های دینامیکی و مکانیک آماری – از این مفهوم قابل تعریف جهانی بیرون می آیند. سپس ثابت می‌کنیم که اطلاعات پیش‌بینی‌کننده معیار منحصربه‌فردی را برای پیچیدگی دینامیک زیربنای سری‌های زمانی فراهم می‌کند و نشان می‌دهد که کلاس‌هایی از مدل‌ها وجود دارند که با رشد قانون قدرت اطلاعات پیش‌بینی‌کننده مشخص می‌شوند که از نظر کیفی پیچیده‌تر از هر یک از سیستم‌هایی هستند که تاکنون انجام شده است. قبلا بررسی شده است علاوه بر این، ما یادگیری یک چگالی احتمال ناپارامتری را به صورت عددی بررسی می‌کنیم، که نمونه‌ای از یک مسئله با پیچیدگی قانون قدرت است، و نشان می‌دهیم که فرمول‌بندی بیزی مناسب این مسئله، عوامل «Occam» را فراهم می‌کند که مدل‌های بیش از حد پیچیده را مجازات می‌کند و بنابراین به شخص اجازه می دهد تا نه تنها یک راه حل را در یک کلاس مدل خاص، بلکه خود کلاس را نیز با استفاده از داده ها و با مفروضات پیشینی بسیار کمی یاد بگیرد. ما یک روش نظری اطلاعات احتمالی را مطالعه می‌کنیم که یادگیری یک متغیر گسسته کم نمونه‌برداری شده را منظم می‌کند، و نشان می‌دهد که یادگیری در چنین تنظیماتی مراحلی با پیچیدگی‌های بسیار متفاوت را طی می‌کند. در نهایت، ما بحث می کنیم که چگونه همه این ایده ها ممکن است در مسائل مختلف در فیزیک، آمار، و مهمتر از همه، زیست شناسی مفید باشند.