Inference in Statistical Modelling and Machine Learning

کتاب «استنتاج در مدل‌سازی آماری و یادگیری ماشین» نوشته جیمز بریج، اثری عمیق، جامع و مرجع در زمینه روش‌های استنتاج آماری و ارتباط عمیق آن‌ها با یادگیری ماشین مدرن است. این کتاب از انتشارات دانشگاه کمبریج، پل مستحکمی میان دو حوزه مهم آمار و یادگیری ماشین را با تمرکز ویژه بر استنتاج و تصمیم‌گیری در شرایط عدم قطعیت تشکیل می‌دهد.

بریج با دقتی آکادمیک و نگاهی کاملاً آموزشی، نظریه‌ها و روش‌های استنتاج آماری را که زیربنای بسیاری از الگوریتم‌های یادگیری ماشین و هوش مصنوعی هستند، به صورت عمیق و سیستماتیک معرفی و تحلیل می‌کند. از مبانی استنتاج بیزی و فراوانی‌گرا و مقایسه فلسفی آن‌ها گرفته تا روش‌های پیشرفته مانند استنتاج تقریبی و تغییراتی و زنجیره مارکوف مونت کارلو، کتاب تمام جنبه‌های این حوزه را با عمق کافی و مثال‌های کاربردی پوشش می‌دهد.

فصل‌های کتاب به موضوعاتی از جمله مبانی استنتاج آماری و انواع رویکردهای آن، روش‌های حداکثر درستنمایی و خواص مجانبی آن، استنتاج بیزی کامل با پیشین‌های مزدوج و تقریبی با روش‌های MCMC، مدل‌های سلسله‌مراتبی و اثرات تصادفی و مدل‌های چندسطحی، روش‌های نمونه‌گیری مونت کارلو و الگوریتم‌های زنجیره مارکوف، استنتاج تغییری با رویکردهای میانگین‌میدان و خودرمزگذارهای تغییری، و کاربردهای عملی و مدرن استنتاج در یادگیری ماشین و یادگیری عمیق اختصاص دارند. هر فصل شامل اثبات‌های ریاضی شفاف، مثال‌های عددی گویا و پیاده‌سازی‌های عملی با پایتون است.

این کتاب برای پژوهشگران و دانشجویان تحصیلات تکمیلی در رشته‌های آمار، علوم کامپیوتر، یادگیری ماشین و علوم داده که به دنبال درک عمیق و بنیادین از مبانی استنتاجی مدل‌های آماری و یادگیری ماشین هستند، منبعی ارزشمند، مرجع و ماندگار محسوب می‌شود.