یادگیری ماشین در پزشکی: قسمت سوم ۲۰۱۳
Machine Learning in Medicine: Part Three 2013

یادگیری ماشین به تحلیل داده های حجیم و متغیرهای متعدد می پردازد. همچنین، اغلب نسبت به روش های آماری سنتی در تحلیل داده های کوچک، حساس تر است. جلد اول و دوم موضوعاتی مانند مقیاس بندی بهینه، شبکه های عصبی، تحلیل عاملی، حداقل مربعات جزئی، تحلیل تفکیکی، تحلیل متعارفی، مدل سازی فازی، مدل های خوشه بندی متنوع، ماشین های بردار پشتیبان، شبکه های بیزی، تحلیل موجک گسسته، یادگیری قواعد وابستگی، تشخیص ناهنجاری و تحلیل تطابقی را بررسی کردند. این جلد سوم به روش های پیشرفته تر می پردازد و موضوعاتی مانند برنامه نویسی تکاملی، روش های تصادفی، نمونه برداری پیچیده، دسته بندی اختیاری، روش های نیوتن، درخت های تصمیم و سایر موضوعات را در بر می گیرد. هم مبانی نظری و هم تحلیل های گام به گام برای بهره مندی خوانندگان غیرریاضی شرح داده شده اند. هر فصل را می توان بدون نیاز به مراجعه به فصل های دیگر مطالعه کرد. آزمون های آماری سنتی، گاهی اوقات، پیش نیاز روش های یادگیری ماشین هستند و همچنین، گاهی اوقات، به عنوان آزمون های کنتراست استفاده می شوند. به کسانی که مایل به کسب دانش بیشتر در مورد آن ها هستند، توصیه می کنیم که علاوه بر این، (1) آمار کاربردی در مطالعات بالینی ویرایش پنجم 2012، (2) SPSS برای مبتدیان بخش اول و دوم 2012، و (3) تحلیل آماری داده های بالینی با ماشین حساب جیبی بخش اول و دوم 2012، نوشته شده توسط همین نویسندگان و ویرایش شده توسط اسپرینگر، نیویورک را نیز مطالعه کنند.

Machine learning is concerned with the analysis of large data and multiple variables. It is also often more sensitive than traditional statistical methods to analyze small data. The first and second volumes reviewed subjects like optimal scaling, neural networks, factor analysis, partial least squares, discriminant analysis, canonical analysis, fuzzy modeling, various clustering models, support vector machines, Bayesian networks, discrete wavelet analysis, association rule learning, anomaly detection, and correspondence analysis. This third volume addresses more advanced methods and includes subjects like evolutionary programming, stochastic methods, complex sampling, optional binning, Newton’s methods, decision trees, and other subjects. Both the theoretical bases and the step by step analyses are described for the benefit of non-mathematical readers. Each chapter can be studied without the need to consult other chapters. Traditional statistical tests are, sometimes, priors to machine learning methods, and they are also, sometimes, used as contrast tests. To those wishing to obtain more knowledge of them, we recommend to additionally study (1) Statistics Applied to Clinical Studies 5th Edition 2012, (2) SPSS for Starters Part One and Two 2012, and (3) Statistical Analysis of Clinical Data on a Pocket Calculator Part One and Two 2012, written by the same authors, and edited by Springer, New York.