Olvasói vélemények
Összegzés:A könyvet kivételes forrásként dicsérik a gépi tanulás fogalmainak elsajátításához és megértéséhez, különösen a Bayes-elmélet szempontjából. Az elméletet gyakorlati példákkal ötvözi, és átfogó mélységet kínál. Az olvasók azonban több problémát is kiemeltek, többek között a gépelési hibák jelenlétét, az anyag nehézségét a kezdők számára, valamint a könyv hamisított példányainak beszerzésével kapcsolatos aggodalmakat.
Előnyök:⬤ Kiváló referenciaszöveg a gépi tanulás témáihoz.
⬤ A strukturált tanulás és a hivatkozások révén elért mély megértés.
⬤ Mind az elméleti, mind a gyakorlati szempontok átfogó lefedettsége.
⬤ Elismert szerző, aki erős oktatói képességekkel rendelkezik.
⬤ GitHub linkek a gyakorlati feladatokhoz.
⬤ A Kindle verzió könnyű hozzáférést biztosít a mintakódokhoz.
Hátrányok:⬤ Számos elgépelés és hiba a nyomtatott kiadásban.
⬤ A könyv kihívást jelenthet a kezdők számára; bizonyos matematikai fogalmak alapos ismeretét igényli.
⬤ Néhány rész nehezen követhető a több szerző miatt.
⬤ Aggodalom a könyv hamisított példányainak megszerzésével kapcsolatban.
(10 olvasói vélemény alapján)
Eredeti címe:
Probabilistic Machine Learning: Advanced Topics
Könyv tartalma:
Haladó könyv a gépi tanulás és a statisztika területén dolgozó kutatók és végzős hallgatók számára, akik a mélytanulásról, a Bayes-féle következtetésről, a generatív modellekről és a bizonytalanság alatti döntéshozatalról szeretnének tanulni.
A valószínűségi gépi tanulás haladó szintű megfelelője: An Introduction, ez a magas szintű tankönyv a kutatóknak és a végzős hallgatóknak részletes lefedettséget nyújt a gépi tanulás élvonalbeli témáiról, beleértve a mély generatív modellezést, a gráfmodelleket, a Bayes-i következtetést, a megerősítő tanulást és a kauzalitást. Ez a kötet a mélytanulást nagyobb statisztikai kontextusba helyezi, és egyesíti a mélytanuláson alapuló megközelítéseket a valószínűségi modellezésen és következtetésen alapuló megközelítésekkel. Az olyan helyekről származó vezető tudósok és szakterületi szakértők hozzájárulásaival, mint a Google, a DeepMind, az Amazon, a Purdue University, a NYU és a Washingtoni Egyetem, ez a szigorú könyv elengedhetetlen a gépi tanulás létfontosságú kérdéseinek megértéséhez.
⬤ Fedezi a nagy dimenziós kimenetek, például képek, szövegek és gráfok generálását.
⬤ Módszereket tárgyal az adatokkal kapcsolatos meglátások felfedezéséhez, látens változó modellek alapján.
⬤ Foglalkozik a különböző eloszlások szerinti képzéssel és teszteléssel.
⬤ Feltárja, hogyan használhatók valószínűségi modellek és következtetések ok-okozati következtetésekhez és döntéshozatalhoz.
⬤ Megjelenik az online Python-kód kísérőprogramja.
