Gépi tanulás - Bayes-i és optimalizálási perspektíva

Olvasói vélemények

A könyvet a gépi tanulás átfogó forrásaként tartják számon, különösen a Bayes-elmélet szempontjából, világos ábrákkal és szigorú megközelítéssel. Ugyanakkor kritika éri, hogy egyes levezetések nem elég világosak, és egyes olvasók szerint a matematika túl sok benne, így bevezető szövegként kevésbé alkalmas.

⬤ A gépi tanulás témáinak átfogó lefedése, különösen a Bayes-módszereké
⬤ világos és tömör diagramok
⬤ egyetemi kurzusok számára alkalmas
⬤ kiváló minőségű nyomtatás
⬤ alapos magyarázatok
⬤ értékes referencia a haladó koncepciók és a terület legújabb eredményei számára.

⬤ Néhány matematikai levezetés nem elég egyértelmű
⬤ nem annyira felhasználóbarát a kezdők számára
⬤ egyes témák nem feltétlenül kerülnek mélyrehatóan tárgyalásra
⬤ korlátozott színhasználat az ábrákon
⬤ más népszerű szövegekhez képest potenciálisan zavaró szerkezet.

(12 olvasói vélemény alapján)

Eredeti címe:

Machine Learning - A Bayesian and Optimization Perspective

Könyv tartalma:

Gépi tanulás: A Bayesian and Optimization Perspective, Second Edition (Bayesi és optimalizálási perspektíva, második kiadás) egységesítő perspektívát nyújt a gépi tanuláshoz azáltal, hogy mind a valószínűségi, mind a determinisztikus megközelítésekkel foglalkozik, amelyek a Bayes-féle következtetési megközelítéssel kombinált optimalizálási technikákon alapulnak. A könyv az alapvető klasszikus módszerektől a legújabb trendekig építkezik, így alkalmas különböző kurzusokhoz, többek között a mintafelismerés, a statisztikai/adaptív jelfeldolgozás és a statisztikai/bayesi tanulás, valamint a ritka modellezés, a mélytanulás és a valószínűségi grafikus modellek rövid kurzusaihoz. Emellett a fejezetek a különböző tudományágakban, például a statisztikában, a statisztikai és adaptív jelfeldolgozásban, valamint az informatikában kifejlesztett főbb gépi tanulási módszerekkel foglalkoznak.

A matematika mögötti fizikai érvelésre összpontosítva a különböző módszerek és technikák mélyreható magyarázatot kapnak, és példákkal és problémákkal alátámasztva felbecsülhetetlen értékű forrást nyújtanak mind a hallgatók, mind a kutatók számára a gépi tanulás koncepcióinak megértéséhez és alkalmazásához.

Ez a frissített kiadás sokkal több egyszerű példát tartalmaz az alapelméletről, teljesen átdolgozta a neurális hálózatokról és a mélytanulásról szóló fejezetet, valamint bővítette a Bayes-tanulás kezelését, beleértve a nemparametrikus Bayes-tanulást is.

⬤ Megjeleníti az egyes módszerek fizikai érvelését, matematikai modellezését és algoritmikus megvalósítását.

⬤ A legújabb trendek aktualizálása, beleértve a ritkaságot, a konvex elemzést és optimalizálást, az online elosztott algoritmusokat, az RKH terekben való tanulást, a Bayes-következtetést, a grafikus és rejtett Markov-modelleket, a részecskeszűrést, a mélytanulást, a szótártanulást és a látens változók modellezését.

⬤ Egyebek mellett esettanulmányokat nyújt különböző témákról, többek között a fehérjék hajtogatásának előrejelzéséről, optikai karakterfelismerésről, szövegek szerzőségének azonosításáról, fMRI-adatelemzésről, változáspontok detektálásáról, hiperspektrális képkeverés feloldásáról, célpontok lokalizálásáról és sok másról.