Olvasói vélemények
Összegzés:A könyvet széles körben dicsérik, mivel átfogó és jól strukturált forrásként szolgál a gépi tanulás, különösen a valószínűségi ML megértéséhez. A recenzensek nagyra értékelik a lebilincselő írásmódot, az áttekinthetőséget és a tartalom mélységét. Több felhasználó azonban a könyv fizikai minőségével kapcsolatos problémákról számolt be, többek között a kézbesítéskor keletkezett sérülésekről és a papír rossz minőségéről.
Előnyök:⬤ A gépi tanulás témáinak átfogó lefedettsége.
⬤ Az összetett fogalmak lebilincselő és intuitív magyarázata.
⬤ Kezdők és haladók számára egyaránt hasznos.
⬤ Értékes forrás az ML elmélet és a legújabb fejlesztések megértéséhez.
⬤ Ajánlott azok számára, akik magas szintű ML szakirodalommal és kutatással szeretnének foglalkozni.
Hátrányok:⬤ Gyakori problémák a könyv fizikai minőségével, beleértve a szakadt borítót és a sérült gerincet.
⬤ Némi elégedetlenség a nyomtatás és a papír minőségével kapcsolatban az árhoz képest.
⬤ A gyakorlatokhoz nem adtak megoldásokat, ami néhány olvasónak csalódást okozott.
⬤ Hibás példányokról szóló jelentések, amelyek negatív vásárlási tapasztalatokat okoztak.
(40 olvasói vélemény alapján)
Eredeti címe:
Probabilistic Machine Learning: An Introduction
Könyv tartalma:
Részletes és naprakész bevezetés a gépi tanulásba, a valószínűségi modellezés és a bayesi döntéselmélet egységesítő szemszögéből.
Ez a könyv részletes és naprakész bevezetést nyújt a gépi tanulásba (beleértve a mélytanulást is) a valószínűségi modellezés és a Bayes-elmélet egységesítő szemszögéből. A könyv kitér a matematikai háttérre (beleértve a lineáris algebrát és az optimalizálást), az alapvető felügyelt tanulásra (beleértve a lineáris és logisztikus regressziót és a mély neurális hálózatokat), valamint a haladóbb témákra (beleértve a transzfer tanulást és a felügyelet nélküli tanulást). A fejezetek végén található gyakorlatok lehetővé teszik a hallgatók számára, hogy alkalmazzák a tanultakat, a függelék pedig a jelölésekkel foglalkozik.
A Probabilistic Machine Learning a szerző 2012-es Machine Learning című könyvéből nőtt ki: A Probabilistic Perspective. Ez több mint egy egyszerű frissítés, ez egy teljesen új könyv, amely tükrözi a területen 2012 óta bekövetkezett drámai fejleményeket, mindenekelőtt a mélytanulást. Az új könyvhöz ráadásul online Python-kód is tartozik, amely olyan könyvtárakat használ, mint a scikit-learn, a JAX, a PyTorch és a Tensorflow, és amellyel szinte az összes ábra reprodukálható; ez a kód egy webböngészőn belül futtatható felhőalapú jegyzetfüzetek segítségével, és gyakorlati kiegészítést nyújt a könyvben tárgyalt elméleti témákhoz. Ezt a bevezető szöveget egy folytatás fogja követni, amely a haladóbb témákat tárgyalja, ugyanezt a valószínűségelméleti megközelítést alkalmazva.
