Recenzie čitateľov
Zhrnutie:Kniha je chválená ako výnimočný zdroj informácií na učenie sa a pochopenie konceptov strojového učenia, najmä z bayesovského hľadiska. Kombinuje teóriu s praktickými príkladmi a ponúka komplexnú hĺbku. Čitatelia však upozornili aj na niekoľko problémov vrátane prítomnosti preklepov, náročnosti materiálu pre začiatočníkov a obáv z obdržania falošných kópií knihy.
Výhody:⬤ Vynikajúci referenčný text pre témy strojového učenia.
⬤ Hlboké porozumenie dosiahnuté prostredníctvom štruktúrovaného učenia a odkazov.
⬤ Komplexné pokrytie teoretických aj praktických aspektov.
⬤ Uznávaný autor so silnými vyučovacími schopnosťami.
⬤ Zahrnutie odkazov na GitHub pre praktické cvičenia.
⬤ Verzia pre Kindle poskytuje jednoduchý prístup k vzorovým kódom.
Nevýhody:⬤ Niekoľko preklepov a chýb v tlačenom vydaní.
⬤ Kniha môže byť náročná pre začiatočníkov; vyžaduje si dôkladné pochopenie niektorých matematických pojmov.
⬤ Niektoré časti môže byť ťažké sledovať kvôli viacerým autorom.
⬤ Obavy zo získania falošných kópií knihy.
(na základe 10 čitateľských recenzií)
Pôvodný názov:
Probabilistic Machine Learning: Advanced Topics
Obsah knihy:
Pokročilá kniha pre výskumníkov a postgraduálnych študentov pracujúcich v oblasti strojového učenia a štatistiky, ktorí sa chcú naučiť o hlbokom učení, bayesovskom odvodzovaní, generatívnych modeloch a rozhodovaní v podmienkach neistoty.
Pokročilý náprotivok knihy Pravdepodobnostné strojové učenie: Táto učebnica na vysokej úrovni poskytuje výskumníkom a postgraduálnym študentom podrobné pokrytie špičkových tém v oblasti strojového učenia vrátane hlbokého generatívneho modelovania, grafických modelov, bayesovského odvodzovania, posilňovania učenia a kauzality. Tento zväzok zasadzuje hlboké učenie do širšieho štatistického kontextu a zjednocuje prístupy založené na hlbokom učení s prístupmi založenými na pravdepodobnostnom modelovaní a odvodzovaní. Vďaka príspevkom špičkových vedcov a odborníkov na danú oblasť z miest, ako sú Google, DeepMind, Amazon, Purdue University, NYU a University of Washington, je táto rigorózna kniha nevyhnutná na pochopenie zásadných otázok strojového učenia.
⬤ Pokrýva generovanie vysokorozmerných výstupov, ako sú obrázky, text a grafy.
⬤ Pojednáva o metódach objavovania poznatkov o údajoch na základe modelov latentných premenných.
⬤ Uvažuje o tréningu a testovaní pri rôznych rozdeleniach.
⬤ Skúma, ako používať pravdepodobnostné modely a odvodzovanie na kauzálne odvodzovanie a rozhodovanie.
⬤ Súčasťou je online sprievodný kód v jazyku Python.
