Értékelés:
A könyv vegyes értékeléseket kapott a felhasználóktól, egyesek dicsérik a gépi tanulási algoritmusok matematikai magyarázatát, míg mások kritizálják, hogy túlságosan a felügyelt tanulásra összpontosít, gyakorlati klaszterezési tartalom nélkül. A formázás és a megjelenítés is vitatott pont volt, egyesek szerint rosszul szervezett, és inkább hasonlít egy szakdolgozatra, mint egy hivatalos könyvre.
Előnyök:Szilárd magyarázatot ad a gépi tanulási algoritmusok mögött álló matematikai fogalmakra, egyszerű numerikus példákat tartalmaz a megértés elősegítésére, jó referenciának tekinthető bizonyos felhasználók számára, egyes vélemények szerint jól szervezett, és a szerző elérhető a kérdésekre.
Hátrányok:Sok felhasználó szerint hiányos a klaszterezéssel kapcsolatos tartalom, rosszul formázott és bemutatott, egyes részeket inkább informális jegyzeteknek, mint összefüggő könyvnek tekint, magas az ára a vélt értékhez képest, és nem elég részletes magyarázatot ad a bonyolult matematikáról a nem matematikusok számára.
(13 olvasói vélemény alapján)
Math for Machine Learning: Open Doors to Data Science and Artificial Intelligence
Az önvezető autóktól kezdve az ajánlórendszereken át a beszéd- és arcfelismerésig a gépi tanulás a jövő útja.
Szeretné megtanulni a gépi tanulás mögött álló matematikát, hogy beléphessen az adattudomány és a mesterséges intelligencia izgalmas területeire? Nem sok olyan forrás létezik, amely egyszerű, részletes példákat ad, és lépésről lépésre végigvezet a témákon. Ez a könyv nemcsak azt magyarázza el, hogy milyen matematikáról van szó és milyen zavaros jelölésekről, hanem közvetlenül bevezet a gépi tanulás alapvető témáiba is.
Ez a könyv gördülékenyen és természetes módon indítja el a gépi tanulásban, felkészít a haladóbb témákra, és eloszlatja azt a hiedelmet, hogy a gépi tanulás bonyolult, nehéz és ijesztő.
