Procese gaussiene pentru învățarea automată

Recenzii ale cititorilor

Cartea despre Procesele Gaussiene (GP) a adunat recenzii mixte, mulți lăudându-i claritatea, profunzimea și relevanța pentru învățarea mașinilor, în timp ce unii îi critică lipsa de autoconținut și profunzime.

⬤ Explicații clare și concise
⬤ valoroase în contextul învățării automate
⬤ capitole bine structurate
⬤ referință excelentă pentru cercetare
⬤ include conexiuni bune între GP și alte metode precum SVM
⬤ copertă cartonată de înaltă calitate
⬤ preț excelent.

⬤ Nu este de sine stătător, lipsesc definițiile pentru unii termeni
⬤ considerat de unii prea puțin aprofundat și conținut
⬤ explicațiile pot părea prea simpliste sau circulare
⬤ unele plângeri cu privire la ambalaj.

(pe baza a 18 recenzii ale cititorilor)

Titlul original:

Gaussian Processes for Machine Learning

Conținutul cărții:

O introducere cuprinzătoare și de sine stătătoare la procesele Gaussiene, care oferă o abordare probabilistică, practică și bazată pe principii a învățării în mașinile cu nucleu.

Procesele gaussiene (GP) oferă o abordare probabilistică, practică și bazată pe principii a învățării în mașinile kernel. GP-urile au primit o atenție sporită în comunitatea de învățare a mașinilor în ultimul deceniu, iar această carte oferă un tratament sistematic și unificat, necesar de mult timp, al aspectelor teoretice și practice ale GP-urilor în învățarea mașinilor. Tratamentul este cuprinzător și de sine stătător, destinat cercetătorilor și studenților din domeniul învățării automate și statisticii aplicate. Cartea tratează problema învățării supravegheate atât pentru regresie, cât și pentru clasificare și include algoritmi detaliați. O mare varietate de funcții de covarianță (kernel) sunt prezentate și proprietățile lor sunt discutate. Selecția modelului este discutată atât dintr-o perspectivă bayesiană, cât și dintr-o perspectivă clasică. Sunt discutate numeroase conexiuni cu alte tehnici bine cunoscute din învățarea automată și statistică, inclusiv mașinile vectoriale de sprijin, rețelele neuronale, splinele, rețelele de regularizare, mașinile vectoriale de relevanță și altele. Sunt tratate aspecte teoretice, inclusiv curbele de învățare și cadrul PAC-Bayesian, și sunt discutate mai multe metode de aproximare pentru învățarea cu seturi mari de date. Cartea conține exemple ilustrative și exerciții, iar codul și seturile de date sunt disponibile pe Web.

Anexele oferă un context matematic și o discuție despre procesele Markov Gaussiene.