Machine Learning: A Practical Approach on the Statistical Learning Theory (Gyakorlati megközelítés a statisztikai tanuláselméletről)

Olvasói vélemények

A könyv alapos bevezetést nyújt a felügyelt tanulásba, az elméleti ismereteket gyakorlati példákkal és R szkriptekkel kombinálva. Néhány kritikus azonban elégedetlenségét fejezi ki, kiemelve a gépelési hibákat, és azt állítva, hogy a könyv nem segíti elő a hatékony tanulást.

⬤ Jó elméleti mélység
⬤ gyakorlati példák R szkriptekkel
⬤ hatékony illusztrációk és ábrák
⬤ célja, hogy segítse az embereket a gépi tanulás elsajátításában.

⬤ Számos gépelési hiba
⬤ egyes kritikusok szerint nem könnyíti meg a tanulást
⬤ vegyes általános hatékonyság.

(4 olvasói vélemény alapján)

Eredeti címe:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Könyv tartalma:

Ez a könyv részletesen és könnyen érthetően mutatja be a statisztikai tanuláselméletet gyakorlati példák, algoritmusok és forráskódok segítségével. Használható tankönyvként érettségi vagy alapképzési kurzusokon, önképzőkörökben, illetve referenciaként a gépi tanulás főbb elméleti fogalmaival kapcsolatban. A gépi tanuláshoz alkalmazott lineáris algebra és optimalizálás alapvető fogalmait, valamint R nyelvű forráskódokat is tartalmaz, így a könyv a lehető legönállóbbá válik.

A könyv a gépi tanulás fogalmainak és algoritmusainak - például a Perceptron, a többrétegű Perceptron és a távolsággal súlyozott legközelebbi szomszédok - bemutatásával kezdődik, példákkal alátámasztva, hogy megteremtse a szükséges alapokat ahhoz, hogy az olvasó képes legyen megérteni az előítélet-variáció dilemmát, amely a statisztikai tanuláselmélet központi pontja.

Ezt követően bemutatjuk az összes feltételezést és formalizáljuk a Statisztikai Tanuláselméletet, lehetővé téve a különböző osztályozó algoritmusok gyakorlati tanulmányozását. Ezután a koncentrációs egyenlőtlenségekkel haladunk tovább, amíg eljutunk az általánosításhoz és a nagymarginális korlátokhoz, amelyek a támogató vektoros gépek fő motivációit adják.

Ebből kiindulva bemutatjuk az összes szükséges optimalizálási fogalmat, amely a támogató vektoros gépek megvalósításához kapcsolódik. A fejlődés következő lépcsőfokának biztosítása érdekében a könyv az SVM kernelek tárgyalásával zárul, mint az adatterek tanulmányozásának és az osztályozási eredmények javításának módjával és motivációjával.