Értékelés:
Alpaydin könyvét a gépi tanulás algoritmusainak és elméleteinek világos bemutatása miatt dicsérik, így értékes a hallgatók és a szakemberek számára, akik szeretnék megérteni az alapfogalmakat. Néhány olvasó azonban kihívásnak találja, különösen a kezdők számára, technikai jellege és írásmódja miatt. Egy felhasználó nyomdahibáról is beszámolt, ami befolyásolta a könyvvel kapcsolatos tapasztalatait.
Előnyök:⬤ Világos és tömör magyarázatot ad a legfontosabb gépi tanulási algoritmusokról és elméletekről.
⬤ A felülvizsgált részek a mélytanulással, például a GAN-okkal és a CNN-ekkel kapcsolatos aktuális tartalmakat tartalmazzák.
⬤ Alkalmas olyan hallgatók és szakemberek számára, akik a gépi tanulás elméleti aspektusait szeretnék megérteni.
⬤ Általában könnyen olvasható, egyszerű magyarázatokkal.
⬤ Néhány felhasználó túlságosan technikai és matematikai jellegűnek találta, különösen a kezdők számára.
⬤ Az írásmód nem feltétlenül magyarázza el hatékonyan a fogalmakat a témában járatlanok számára.
⬤ Jelentések szerint az első fejezet hiányzik a könyvből.
⬤ Kritika, hogy kevésbé hozzáférhető a statisztikában vagy matematikai elméletben járatlan olvasók számára.
(11 olvasói vélemény alapján)
Introduction to Machine Learning, Fourth Edition
Egy átfogó tankönyv alaposan átdolgozott negyedik kiadása, amely a mélytanulás és a neurális hálózatok legújabb vívmányait is tartalmazza.
A gépi tanulás célja, hogy a számítógépeket úgy programozzuk, hogy példaadatok vagy korábbi tapasztalatok segítségével oldjanak meg egy adott problémát. A gépi tanulás olyan izgalmas új technológiák hátterében áll, mint az önvezető autók, a beszédfelismerés és a fordítói alkalmazások. A gépi tanulás átfogó, széles körben használt tankönyvének ez a jelentősen átdolgozott negyedik kiadása új lefedettséget kínál a terület legújabb fejleményeiről mind az elmélet, mind a gyakorlat terén, beleértve a mélytanulás és a neurális hálózatok fejlesztéseit is.
A könyv olyan témák széles körét öleli fel, amelyek általában nem szerepelnek a bevezető gépi tanulási szövegekben, beleértve a felügyelt tanulást, a bayesi döntéselméletet, a parametrikus módszereket, a félparametrikus módszereket, a nemparametrikus módszereket, a többváltozós elemzést, a rejtett Markov-modelleket, a megerősített tanulást, a kernel gépeket, a grafikus modelleket, a bayesi becslést és a statisztikai tesztelést. A negyedik kiadás új fejezetet kínál a mélytanulásról, amely a mély neurális hálózatok, például a konvolúciós és a generatív adverzális hálózatok képzését, regularizálását és strukturálását tárgyalja.
Új anyag a megerősítéses tanulásról szóló fejezetben, amely a mély hálózatok, a policy gradiens módszerek és a mély megerősítéses tanulás használatával foglalkozik.
Új anyag a többrétegű perceptronokról szóló fejezetben az autoencoderekről és a word2vec hálózatról.
És a dimenzionalitáscsökkentés egyik népszerű módszerének, a t-SNE-nek a tárgyalása. Új függelékek kínálnak háttéranyagot a lineáris algebráról és az optimalizálásról. A fejezetek végén található feladatok segítik az olvasókat a megtanult fogalmak alkalmazásában. A Bevezetés a gépi tanulásba használható a haladó alap- és mesterszakos hallgatóknak szóló kurzusokon, valamint referenciaként a szakemberek számára.
