Első tanfolyam a gépi tanulásból

Olvasói vélemények

A könyvet széles körben erős forrásként tartják számon a gépi tanulás mögött álló matematika megértéséhez, hangsúlyt fektetve az intuitív magyarázatokra és a strukturált megközelítésre. A gépi tanulás fogalmait alapszinten ismerők számára ajánlott, de kritika érte a tipográfiai hibák, az elektronikus változattal és a formázással kapcsolatos problémák, valamint néhány hiányzó téma miatt. Szilárd bevezetésként szolgálhat, de az olvasóknak az átfogó megértéshez kiegészítő anyagokra lehet szükségük.

⬤ Remekül alkalmas a gépi tanulási technikák megismerésére.
⬤ A hozzáférhető matematikai magyarázatok barátságossá teszik a kezdők számára.
⬤ Jól strukturált és logikus felépítés.
⬤ Erős azok számára, akik a könyvtárak használata helyett inkább az ML mögötti matematikát szeretnék megérteni.
⬤ Élvezetes olvasmány, még az ML-ben nem járatosak számára is.
⬤ Gyors szállítás és megfelelő fizikai minőség.

⬤ Számos elgépelés és hiba van a szövegben.
⬤ A matematikai képletek nem jelennek meg megfelelően az elektronikus változatban.
⬤ Néhány kritika a Matlab példák Python helyett történő használatával kapcsolatban.
⬤ A fizikai változat vékony lapjai egyes olvasók számára gondot jelenthetnek.
⬤ Néhány hiányzó téma, például az SVM regresszorok, az olvasónak további forrásokhoz kell fordulnia.

(21 olvasói vélemény alapján)

Eredeti címe:

A First Course in Machine Learning

Könyv tartalma:

Simon Rogers és Mark Girolami A First Course in Machine Learning című könyve a jelenleg elérhető legjobb bevezető könyv az ML-hez. Egyesíti a szigort és a pontosságot a hozzáférhetőséggel, a Bayes-analízis alapvető alapjainak részletes magyarázatától indul a legegyszerűbb beállításokban, és egészen a téma olyan határterületein halad el, mint a végtelen keverékmodellek, a GP-k és az MCMC.

--Devdatt Dubhashi, professzor, Számítástechnikai és Mérnöki Tanszék, Chalmers Egyetem, Svédország.

Ennek a tankönyvnek sikerül könnyebben olvashatónak lennie, mint a téma más hasonló könyveinek, miközben megtartja az összes szükséges szigorú kezelést. Az új fejezeteknek köszönhetően a szakterület élvonalába tartozik, mivel olyan témákat tárgyal, amelyek az elmúlt évtizedben a gépi tanulásban általánossá váltak.

--Daniel Barbara, George Mason University, Fairfax, Virginia, USA.

A Rogers és Girolami által írt A First Course in Machine Learning új kiadása kiváló bevezetés a statisztikai módszerek használatába a gépi tanulásban. A könyv olyan fogalmakat mutat be, mint a matematikai modellezés, következtetés és előrejelzés, "just in time" megadva a lineáris algebra, a számtan és a valószínűségelmélet alapvető hátterét, amelyre az olvasónak szüksége van e fogalmak megértéséhez.

--Daniel Ortiz-Arroyo, egyetemi docens, Aalborg University Esbjerg, Dánia

Lenyűgözött, hogy az anyag milyen szorosan illeszkedik egy gépi tanulással foglalkozó bevezető kurzus igényeihez, ami a legnagyobb erőssége... Összességében ez egy pragmatikus és hasznos könyv, amely jól igazodik egy bevezető kurzus igényeihez, és amelyet a következő hónapokban a saját hallgatóim számára is meg fogok nézni.

--David Clifton, University of Oxford, UK

A könyv első kiadása már kiváló bevezető szöveg volt a gépi tanulásról egy haladó alapképzésben vagy mesterképzésben, illetve bárki számára, aki meg akarja ismerni az informatika egy érdekes és fontos területét. A Gauss-folyamatokról, az MCMC-ről és a keverékmodellezésről szóló további, haladó anyagot tartalmazó fejezetek ideális alapot nyújtanak a gyakorlati projektekhez, anélkül, hogy megzavarnák a könyv első részében található, az alapoknak nagyon világos és olvasmányos bemutatását.

--Gavin Cawley, Senior Lecturer, School of Computing Sciences, University of East Anglia, UK

Ez a könyv alkalmas lehet a junior/felsőbb éves egyetemi hallgatók vagy elsőéves végzős hallgatók számára, valamint olyan magánszemélyeknek, akik a gépi tanulás területét szeretnék felfedezni... A könyv nemcsak a fogalmakat, hanem az algoritmusok megvalósításának alapgondolatait is bemutatja a kritikus gondolkodás szemszögéből.

--Guangzhi Qu, Oakland University, Rochester, Michigan, USA