Învățarea automată - o perspectivă bayesiană și de optimizare

Recenzii ale cititorilor

Cartea este apreciată ca o resursă cuprinzătoare pentru învățarea automată, în special dintr-o perspectivă bayesiană, cu diagrame clare și o abordare riguroasă. Cu toate acestea, se confruntă cu critici pentru lipsa de claritate a unor derivări, iar unii cititori consideră că este prea bogată în matematică, ceea ce o face mai puțin potrivită ca text introductiv.

⬤ Acoperire cuprinzătoare a subiectelor de învățare automată, în special a metodelor bayesiene
⬤ diagrame clare și concise
⬤ potrivit pentru cursuri universitare
⬤ tipărire de înaltă calitate
⬤ explicații temeinice
⬤ referință valoroasă pentru concepte avansate și progrese recente în domeniu.

⬤ Lipsă de claritate în unele derivări matematice
⬤ nu la fel de ușor de utilizat pentru începători
⬤ unele subiecte pot să nu fie acoperite în profunzime
⬤ utilizare limitată a culorilor în diagrame
⬤ structură potențial confuză în comparație cu alte texte populare.

(pe baza a 12 recenzii ale cititorilor)

Titlul original:

Machine Learning - A Bayesian and Optimization Perspective

Conținutul cărții:

Machine Learning: A Bayesian and Optimization Perspective, Second Edition oferă o perspectivă unificatoare asupra învățării automate prin acoperirea atât a abordărilor probabiliste, cât și a celor deterministe bazate pe tehnici de optimizare combinate cu abordarea inferenței bayesiene. Cartea pornește de la metodele clasice de bază până la tendințele recente, ceea ce o face potrivită pentru diferite cursuri, inclusiv recunoașterea modelelor, procesarea statistică/adaptivă a semnalelor și învățarea statistică/bayesiană, precum și pentru cursuri scurte privind modelarea dispersată, învățarea profundă și modelele grafice probabilistice. În plus, secțiunile acoperă principalele metode de învățare automată dezvoltate în diferite discipline, cum ar fi statistica, prelucrarea statistică și adaptivă a semnalelor și informatica.

Concentrându-se pe raționamentul fizic din spatele matematicii, toate diferitele metode și tehnici sunt explicate în profunzime și susținute de exemple și probleme, oferind o resursă neprețuită atât studentului, cât și cercetătorului pentru înțelegerea și aplicarea conceptelor de învățare automată.

Această ediție actualizată include mult mai multe exemple simple privind teoria de bază, rescrieri complete ale capitolului privind rețelele neuronale și învățarea profundă și o tratare extinsă a învățării bayesiene, inclusiv învățarea bayesiană nonparametrică.

⬤ Prezintă raționamentul fizic, modelarea matematică și implementarea algoritmică a fiecărei metode.

⬤ Actualizează cele mai recente tendințe, inclusiv sparitatea, analiza convexă și optimizarea, algoritmii distribuiți online, învățarea în spații RKH, inferența bayesiană, modelele Markov grafice și ascunse, filtrarea particulelor, învățarea profundă, învățarea dicționarului și modelarea variabilelor latente.

⬤  Oferă studii de caz pe o varietate de subiecte, inclusiv predicția pliajului proteinelor, recunoașterea optică a caracterelor, identificarea autorilor textului, analiza datelor fMRI, detectarea punctelor de schimbare, neamestecarea imaginilor hiperspectrale, localizarea țintelor și multe altele.