Értékelés:
A könyv átfogó bevezetést nyújt a gépi tanulásba Python nyelven, algoritmikus megközelítéssel, bár számos matematikai hibától és zavaros magyarázatoktól szenved. Bár az algoritmusok széles körét lefedi, és különösen a kevésbé erős matematikai háttérrel rendelkezők számára hozzáférhető, a haladóbb felhasználók vagy a szigorú kezelést keresők számára frusztráló lehet.
Előnyök:⬤ A különböző gépi tanulási algoritmusok átfogó lefedettsége.
⬤ Algoritmikus fókusz, nem pedig kizárólag alkalmazás-alapú.
⬤ Megközelíthető a korlátozott matematikai ismeretekkel rendelkezők számára.
⬤ Python kódpéldákat tartalmaz, ami segít a gyakorlati megértésben.
⬤ Könnyen követhető, társalgási stílusban íródott.
⬤ Jól használható bevezető kurzusokhoz.
⬤ Tele van tipográfiai és matematikai hibákkal.
⬤ Néhány magyarázat zavaros vagy nem egyértelmű.
⬤ Bizonyos szakaszok nem nyújtanak kellő mélységet vagy részletességet.
⬤ Feltételezi a Python bizonyos fokú ismeretét, nincsenek átfogó oktatóanyagok.
⬤ Inkább kiegészítő forrásként, mint önálló szövegként használható.
(35 olvasói vélemény alapján)
Machine Learning: An Algorithmic Perspective, Second Edition
Egy bevált, gyakorlatias megközelítés erős statisztikai alapokkal nem rendelkező hallgatók számára
A bestseller első kiadásának megjelenése óta számos kiemelkedő fejlemény történt a gépi tanulás területén, többek között a gépi tanulási algoritmusok statisztikai értelmezésével kapcsolatos egyre több munka. Sajnos az erős statisztikai háttérrel nem rendelkező informatikus hallgatók gyakran nehezen tudnak belekezdeni ebbe a területbe.
Ezt a hiányosságot orvosolva a Machine Learning: An Algorithmic Perspective, Second Edition segít a hallgatóknak megérteni a gépi tanulás algoritmusait. Elindítja őket a megfelelő matematika és statisztika, valamint a szükséges programozás és kísérletezés elsajátítása felé vezető úton.
Újdonság a második kiadásban
⬤ Két új fejezet a mély hiedelemhálózatokról és a Gauss-folyamatokról.
⬤ A fejezetek átszervezése a tartalom természetesebb áramlása érdekében.
⬤ Támogató vektorgépek anyagának átdolgozása, beleértve egy egyszerű implementációt a kísérletekhez.
⬤ Új anyag a véletlen erdőkről, a perceptron konvergencia-tételéről, a pontossági módszerekről és a többrétegű perceptron konjugált gradiens optimalizálásáról.
⬤ A Kálmán- és részecskeszűrők további tárgyalása.
⬤ Javított kód, beleértve a Pythonban használt elnevezési konvenciók jobb használatát.
A szöveg egyaránt alkalmas egy féléves bevezető kurzushoz és haladóbb kurzusokhoz, és erősen ösztönzi a hallgatókat a kóddal való gyakorlásra. Minden fejezet részletes példákat tartalmaz további olvasnivalókkal és feladatokkal együtt. A példák elkészítéséhez használt összes kód elérhető a szerző weboldalán.