Recenzii ale cititorilor
Rezumat:Cartea este lăudată ca o resursă excepțională pentru învățarea și înțelegerea conceptelor de învățare automată, în special dintr-o perspectivă bayesiană. Ea combină teoria cu exemple practice și oferă o profunzime cuprinzătoare. Cu toate acestea, cititorii au evidențiat, de asemenea, mai multe probleme, inclusiv prezența greșelilor de scriere, dificultatea materialului pentru novici și preocupările legate de primirea de copii contrafăcute ale cărții.
Avantaje:⬤ Text de referință excelent pentru subiectele de învățare automată.
⬤ Înțelegere profundă obținută prin învățare structurată și referințe.
⬤ Acoperire cuprinzătoare a aspectelor teoretice și practice.
⬤ Autor respectat cu o puternică capacitate de predare.
⬤ Includerea de linkuri GitHub pentru exercițiile practice.
⬤ Versiunea Kindle oferă acces ușor la exemple de coduri.
Dezavantaje:⬤ Mai multe greșeli de tipar și erori în edițiile tipărite.
⬤ Cartea poate fi dificilă pentru începători; necesită o înțelegere solidă a anumitor concepte matematice.
⬤ Unele secțiuni pot fi greu de urmărit din cauza autorilor multipli.
⬤ Îngrijorări cu privire la primirea de copii contrafăcute ale cărții.
(pe baza a 10 recenzii ale cititorilor)
Titlul original:
Probabilistic Machine Learning: Advanced Topics
Conținutul cărții:
O carte avansată pentru cercetătorii și studenții absolvenți care lucrează în învățarea automată și statistică și care doresc să învețe despre învățarea profundă, inferența bayesiană, modelele generative și luarea deciziilor în condiții de incertitudine.
O contraparte avansată la Probabilistic Machine Learning: An Introduction, acest manual de nivel înalt oferă cercetătorilor și studenților absolvenți o acoperire detaliată a subiectelor de ultimă oră în învățarea automată, inclusiv modelarea generativă profundă, modelele grafice, inferența bayesiană, învățarea prin consolidare și cauzalitatea. Acest volum plasează învățarea profundă într-un context statistic mai larg și unifică abordările bazate pe învățarea profundă cu cele bazate pe modelarea și inferența probabilistică. Cu contribuții de la oameni de știință de top și experți în domeniu din locuri precum Google, DeepMind, Amazon, Purdue University, NYU și University of Washington, această carte riguroasă este esențială pentru înțelegerea problemelor vitale din învățarea automată.
⬤ Acoperă generarea de rezultate de dimensiuni mari, cum ar fi imagini, text și grafice.
⬤ Discută metode de descoperire a perspectivei asupra datelor, bazate pe modele de variabile latente.
⬤ Consideră formarea și testarea sub diferite distribuții.
⬤ Exploră modul de utilizare a modelelor probabilistice și a inferenței pentru inferența cauzală și luarea deciziilor.
⬤ Compune însoțire online a codului Python.
