Recenzie čitateľov
Zhrnutie:Kniha je všeobecne chválená ako komplexný a dobre štruktúrovaný zdroj informácií na pochopenie strojového učenia, najmä pravdepodobnostného ML. Recenzenti oceňujú pútavý štýl písania, prehľadnosť a hĺbku obsahu. Niekoľko používateľov však uviedlo problémy s fyzickou kvalitou knihy vrátane poškodenia pri doručení a nízkej kvality papiera.
Výhody:⬤ Komplexné pokrytie tém strojového učenia.
⬤ Pútavé a intuitívne vysvetlenie zložitých pojmov.
⬤ Užitočné pre začiatočníkov aj pokročilých čitateľov.
⬤ Cenný zdroj informácií na pochopenie teórie ML a najnovších pokrokov.
⬤ Odporúčané pre tých, ktorí sa chcú venovať literatúre a výskumu ML na vysokej úrovni.
Nevýhody:⬤ Časté problémy s fyzickou kvalitou knihy, vrátane roztrhaných obalov a poškodených chrbtov.
⬤ Určitá nespokojnosť s kvalitou tlače a papiera za danú cenu.
⬤ Nie sú k dispozícii riešenia cvičení, čo niektorých čitateľov sklamalo.
⬤ Správy o chybných výtlačkoch, ktoré vytvárajú negatívne skúsenosti s nakupovaním.
(na základe 40 čitateľských recenzií)
Pôvodný názov:
Probabilistic Machine Learning: An Introduction
Obsah knihy:
Podrobný a aktuálny úvod do strojového učenia, prezentovaný zjednocujúcou optikou pravdepodobnostného modelovania a bayesovskej teórie rozhodovania.
Táto kniha ponúka podrobný a aktuálny úvod do strojového učenia (vrátane hlbokého učenia) prostredníctvom zjednocujúcej optiky pravdepodobnostného modelovania a Bayesovej teórie rozhodovania. Kniha zahŕňa matematické základy (vrátane lineárnej algebry a optimalizácie), základné učenie pod dohľadom (vrátane lineárnej a logistickej regresie a hlbokých neurónových sietí), ako aj pokročilejšie témy (vrátane transferového učenia a učenia bez dohľadu). Cvičenia na konci kapitol umožňujú študentom aplikovať naučené poznatky a v prílohe je uvedená notácia.
Pravdepodobnostné strojové učenie vzniklo na základe autorovej knihy Machine Learning z roku 2012: A Probabilistic Perspective. Táto kniha je viac než len jednoduchou aktualizáciou, je to úplne nová kniha, ktorá odráža dramatický vývoj v tejto oblasti od roku 2012, predovšetkým hlboké učenie. K novej knihe je navyše pripojený online kód v jazyku Python, využívajúci knižnice ako scikit-learn, JAX, PyTorch a Tensorflow, ktorý možno použiť na reprodukciu takmer všetkých obrázkov; tento kód možno spustiť vo webovom prehliadači pomocou cloudových zápisníkov a poskytuje praktický doplnok k teoretickým témam preberaným v knihe. Po tomto úvodnom texte bude nasledovať pokračovanie, ktoré sa bude zaoberať pokročilejšími témami a bude využívať rovnaký pravdepodobnostný prístup.
