Bevezetés a statisztikai gépi tanulásba

Olvasói vélemények

A könyv általában véve jó fogadtatásban részesül a gépi tanulás és a klasszikus statisztika lefedettsége miatt, így a hallgatók és a szakemberek számára egyaránt hasznos forrás. Megjegyzik a pedagógiai megközelítését, bár egyes kritikusok azt javasolják, hogy az intuitívabb magyarázatoknak hasznát vehetnék.

Egészséges lefedettség a gépi tanulás és a klasszikus statisztika területén, sok más könyvhöz képest jobb pedagógiai minőség, hasznos az adattudomány és a statisztika területén folytatott állásinterjúkhoz, több felhasználó által is kedvezően fogadták.

Hiányzik a részletes lefedettség néhány szakszöveghez képest, több intuitív magyarázatra lenne szüksége, mielőtt belemerülne a matematikai részletekbe.

(3 olvasói vélemény alapján)

Eredeti címe:

Introduction to Statistical Machine Learning

Könyv tartalma:

A gépi tanulás lehetővé teszi a számítógépek számára, hogy tanuljanak és felismerjék a mintákat anélkül, hogy ténylegesen programoznák őket. Ha a statisztikai technikákat és a gépi tanulást kombináljuk, akkor ezek hatékony eszközt jelentenek a különböző típusú adatok elemzéséhez számos számítástechnikai/mérnöki területen, például a képfeldolgozás, a beszédfeldolgozás, a természetes nyelvfeldolgozás, a robotok vezérlése, valamint az olyan alapvető tudományokban, mint a biológia, az orvostudomány, a csillagászat, a fizika és az anyagtudomány.

A Bevezetés a statisztikai gépi tanulásba olyan általános bevezetést nyújt a gépi tanulásba, amely tömören, a témák széles körét öleli fel, és segít áthidalni az elmélet és a gyakorlat közötti szakadékot. Az I. rész a statisztika és a valószínűségtan alapvető fogalmait tárgyalja, amelyeket a gépi tanulási algoritmusok leírásakor használnak. A II. és III. rész a gépi tanulási technikák két fő megközelítését ismerteti; a generatív és a diszkriminatív módszereket. Míg a III. rész mélyrehatóan foglalkozik azokkal a haladó témákkal, amelyek alapvető szerepet játszanak a gépi tanulási algoritmusok gyakorlati hasznosságának növelésében. A mellékelt MATLAB/Octave programok az adatelemzési feladatok széles körének elvégzéséhez szükséges gyakorlati ismereteket nyújtanak.

⬤ Megadja a gépi tanulás megértéséhez szükséges háttéranyagot, mint például a statisztika, a valószínűségszámítás, a lineáris algebra és a számtan.

⬤ Teljesen lefedi a statisztikai mintafelismerés generatív megközelítését és a statisztikai gépi tanulás diszkriminatív megközelítését.

⬤ MatLAB/Octave programokat tartalmaz, hogy az olvasók numerikusan tesztelhessék az algoritmusokat, és matematikai és gyakorlati ismereteket szerezzenek az adatelemzési feladatok széles köréhez.

⬤ A gépi tanulás és a statisztika alkalmazásainak széles körét tárgyalja, és példákat hoz a képfeldolgozás, a beszédfeldolgozás, a természetes nyelvfeldolgozás, a robotvezérlés, valamint a biológia, az orvostudomány, a csillagászat, a fizika és az anyagtudomány területéről.