Introduction to Machine Learning, Third Edition by Alpaydin, Ethem __ 978-81-203-5078-6 __ Phi Learning

 INTRODUCTION TO MACHINE LEARNING, THIRD EDITION By ALPAYDIN, ETHEM Price: Rs. 625.00 ISBN: 978‐81‐203‐5078‐6 Pages: 640 Binding: Hard Bound Buy Now at www.phindia.com DESCRIPTION Introduc on to Machine Learning is a comprehensive textbook on the subject, covering a broad array of   topics   not   usually   included   in   introductory   machine   learning   texts.   Subjects   include   supervised learning;   Bayesian   decision   theory;   parametric,   semiparametric,   and   nonparametric   methods; mul variate   analysis;   hidden   Markov   models;   reinforcement   learning;   kernel   machines;   graphical  models;  Bayesian  es ma on;  and  sta s cal  tes ng. Machine   learning   is   rapidly   becoming   a   skill   that   computer   science   students   must   master   before gradua on. This new edi on of the book reflects this shi , with added support for beginners, including selected solu ons for exercises and addi onal example data sets (with code available online). Other substan al changes include discussions of outlier detec on; ranking algorithms for perceptors and support vector machines; matrix decomposi on and spectral methods; distance es ma on; new kernel algorithms; deep learning in mul layered perceptrons; and the nonparametric approach to Bayesian methods.   All   learning   algorithms   are   explained   so   that   students     can     easily     move     from     the  equa ons  in  the  book  to  a  computer  program.  The book can be used by both advanced undergraduate and postgraduate students. It will also be of interest to professionals who are concerned with the applica on of machine learning methods. “Ethem Alpaydin's Introduc on to Machine Learning provides a nice blending of the topical coverage of machine learning (à la Tom Mitchell) with formal probabilis c founda ons (à la Christopher Bishop). This newly updated version now introduces some of the most recent and important topics in machine learning (e.g., spectral methods, deep learning, and learning to rank) to students and researchers of this cri cally  important  and  expanding  field.” —John W. Sheppard, Professor of Computer Science, Montana State University “This volume is both a complete and accessible introduc on to the machine learning world. This is a 'Swiss Army knife' book for this rapidly evolving subject. Although intended as an introduc on, it will be useful not only for students but for any professional looking for a comprehensive book in this field. Newcomers will find clearly explained concepts and experts will find a source for new references and ideas.” —Hilario Gómez‐Moreno, IEEE Senior Member, University of Alcalá, Spain

CONTENTS Preface NotaƟons 1.   Introduc on 2    Supervised Learning 3.   Bayesian Decision Theory 4.   Parametric Methods 5.   Mul variate Methods

6.   Dimensionality Reduc on 7.   Clustering 8.   Nonparametric Methods 9.   Decision Trees 10. Linear Discrimina on 11. Mul layer Perceptrons 12. Local Models 13. Kernel Machines 14. Graphical Models 15. Hidden Markov Models 16. Bayesian Es ma on 17. Combining Mul ple Learners 18. Reinforcement Learning 19. Design and Analysis of Machine Learning Experiments A. Probability Index   ABOUT THE AUTHOR(s) Ethem   Alpaydin   is   Professor   in   the   Department   of   Computer   Engineering   at   Bogazici   University, Istanbul.

2015 / 640pp. / 17.8 x 23.5 cm / ISBN‐978‐81‐203‐5078‐6 / Rs.625.00

PHI Learning Private Limited © 2011. Email: [email protected] For more informa on visit : www.phindia.com