Machine Learning: O abordare practică a teoriei învățării statistice

Recenzii ale cititorilor

Cartea oferă o introducere completă în învățarea supravegheată, combinând cunoștințele teoretice cu exemple practice și scripturi R. Cu toate acestea, unii recenzenți își exprimă nemulțumirea, subliniind greșelile de scriere și susținând că cartea nu reușește să faciliteze învățarea eficientă.

⬤ O bună aprofundare teoretică
⬤ exemple practice cu scripturi R
⬤ ilustrații și diagrame eficiente
⬤ concepute pentru a ajuta oamenii să învețe învățarea automată.

⬤ Numeroase greșeli de tipar
⬤ unii recenzenți consideră că nu facilitează învățarea
⬤ eficacitate generală mixtă.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Conținutul cărții:

Această carte prezintă teoria învățării statistice într-un mod detaliat și ușor de înțeles, utilizând exemple practice, algoritmi și coduri sursă. Poate fi utilizată ca manual în cadrul cursurilor de absolvire sau de licență, pentru autodidacți sau ca referință cu privire la principalele concepte teoretice ale Machine Learning. Sunt furnizate concepte fundamentale de algebră liniară și optimizare aplicate la Machine Learning, precum și coduri sursă în R, făcând cartea cât mai autonomă posibil.

Cartea începe cu o introducere în conceptele și algoritmii de Machine Learning, cum ar fi Perceptron, Multilayer Perceptron și Distance-Weighted Nearest Neighbors, cu exemple, pentru a oferi fundația necesară astfel încât cititorul să fie capabil să înțeleagă dilema Bias-Varianță, care este punctul central al teoriei învățării statistice.

După aceea, introducem toate ipotezele și formalizăm Teoria învățării statistice, permițând studiul practic al diferiților algoritmi de clasificare. Apoi, continuăm cu inegalitățile de concentrare până ajungem la generalizare și la limitele marjei mari, oferind principalele motivații pentru mașinile vectoriale de sprijin.

De aici, introducem toate conceptele de optimizare necesare legate de implementarea mașinilor vectoriale de sprijin. Pentru a oferi o etapă următoare de dezvoltare, cartea se încheie cu o discuție privind nucleele SVM ca modalitate și motivație de a studia spațiile de date și de a îmbunătăți rezultatele clasificării.