C4.5: Programok a gépi tanuláshoz

Olvasói vélemények

A könyv a C4.5 döntési fa algoritmus és kereskedelmi utódai, a See5 és a C5.0 komoly felhasználói számára klasszikusnak számít. Alapos magyarázatot ad a C4.5 módszerről, teljes forráskódlistát tartalmaz, és betekintést nyújt a döntési fák gyakorlati alkalmazásába az adatbányászatban és a gépi tanulásban. A recenzensek azonban megjegyzik, hogy a könyv kissé drága és erősen a kódra összpontosít, ami elvonhatja a figyelmet azoktól az elméleti vitáktól, amelyeket egyes olvasók reméltek. Javaslatok érkeztek egy olyan frissített kiadásra is, amely a C5.0 algoritmust is átfogóbban tárgyalja.

⬤ Felbecsülhetetlen értékű forrás a C
⬤ 5 és utódai komoly felhasználói számára
⬤ a C
⬤ 5 algoritmus és gyakorlati alkalmazásainak világos és részletes leírása
⬤ teljes forráskódot tartalmaz
⬤ a döntési fák konstruálásához tanulságos.

⬤ Kissé drága
⬤ a könyv több mint felét a C
⬤ 5 kódnak szenteli, ami potenciálisan csökkenti az elméleti tartalmat
⬤ vágyik egy frissített kiadásra, amely a C
⬤ 0-ra is kiterjed.

(4 olvasói vélemény alapján)

Eredeti címe:

C4.5: Programs for Machine Learning

Könyv tartalma:

A gépi tanulásban és a tudásalapú rendszerekben nagy szerepet játszanak az osztályozó rendszerek, és Ross Quinlan munkája az ID3 és C4. 5 munkája széles körben elismert, hogy a legjelentősebb hozzájárulást jelentette ezek fejlesztéséhez. Ez a könyv egy teljes körű útmutató a C4. 5 rendszerhez, ahogyan azt C nyelven, UNIX környezetben implementálták. Tartalmaz egy átfogó útmutatót a rendszer használatához, a forráskódot (kb. 8800 sor) és az implementációs megjegyzéseket.

C4. 5 ismert osztályokhoz tartozó esetek nagy halmazával indul. A nominális és numerikus tulajdonságok tetszőleges keverékével leírt eseteket olyan minták után kutatjuk, amelyek lehetővé teszik az osztályok megbízható megkülönböztetését. Ezeket a mintákat ezután modellek formájában fejezik ki, döntési fák vagy ha-akkor szabályok formájában, amelyek felhasználhatók az új esetek osztályozására, hangsúlyt fektetve arra, hogy a modellek érthetőek és pontosak legyenek. A rendszert sikeresen alkalmazták több tízezer, több száz tulajdonsággal leírt esetet tartalmazó feladatokra. A könyv az egyszerű alapvető tanulási módszerekből indul ki, és bemutatja, hogyan lehet ezeket kidolgozni és kiterjeszteni az olyan tipikus problémák kezelésére, mint a hiányzó adatok és a túltalálás. Előnyei és hátrányai a C4. 5 megközelítés előnyeit tárgyalja és számos esettanulmánnyal illusztrálja.

A könyv az osztályozáson alapuló intelligens rendszerek fejlesztőinek, valamint a gépi tanulás és szakértői rendszerek kurzusokon tanuló hallgatók érdeklődésére tarthat számot.