Strojové učenie: Algoritmická perspektíva, druhé vydanie

Recenzie čitateľov

Kniha poskytuje komplexný úvod do strojového učenia s využitím jazyka Python s algoritmickým prístupom, hoci trpí mnohými matematickými chybami a zmätočnými vysvetleniami. Hoci pokrýva širokú škálu algoritmov a je prístupná najmä pre tých, ktorí majú menej silné matematické zázemie, môže frustrovať pokročilejších používateľov alebo tých, ktorí hľadajú rigorózne spracovanie.

⬤ Komplexné pokrytie rôznych algoritmov strojového učenia.
⬤ Zameranie skôr na algoritmy ako na výlučné aplikácie.
⬤ Prístupné aj pre tých, ktorí majú obmedzené matematické zručnosti.
⬤ Obsahuje príklady kódu v jazyku Python, čo je užitočné pre praktické pochopenie.
⬤ Napísaný zrozumiteľným hovorovým štýlom.
⬤ Vhodné pre úvodné kurzy.

⬤ Je plný chýb, typografických aj matematických.
⬤ Niektoré vysvetlenia sú mätúce alebo nejasné.
⬤ Niektoré časti nemusia byť dostatočne hlboké alebo podrobné.
⬤ Predpokladá určitú znalosť jazyka Python, chýbajú rozsiahle výukové programy.
⬤ Môže byť vhodnejší ako doplnkový zdroj než samostatný text.

(na základe 35 čitateľských recenzií)

Pôvodný názov:

Machine Learning: An Algorithmic Perspective, Second Edition

Obsah knihy:

Osvedčený praktický prístup pre študentov bez silného štatistického základu

Od vydania prvého vydania bestselleru došlo v oblasti strojového učenia k niekoľkým významným zmenám, vrátane čoraz častejších prác na štatistických interpretáciách algoritmov strojového učenia. Žiaľ, študenti informatiky bez silného štatistického základu majú často problém začať v tejto oblasti.

Odstrániť tento nedostatok pomáha študentom publikácia Machine Learning: An Algorithmic Perspective, Second Edition, ktorá im pomáha pochopiť algoritmy strojového učenia. Nasmeruje ich na cestu k zvládnutiu príslušnej matematiky a štatistiky, ako aj potrebného programovania a experimentovania.

Nové v druhom vydaní

⬤ Dve nové kapitoly o hlbokých belief sieťach a Gaussových procesoch.

⬤ Reorganizácia kapitol s cieľom dosiahnuť prirodzenejší tok obsahu.

⬤ Revízia materiálu o podporných vektorových strojoch vrátane jednoduchej implementácie na experimenty.

⬤ Nový materiál o náhodných lesoch, vete o konvergencii perceptrónu, metódach presnosti a optimalizácii konjugovaného gradientu pre viacvrstvový perceptrón.

⬤ Dodatočné diskusie o Kalmanovom a časticovom filtri.

⬤ Vylepšený kód vrátane lepšieho používania konvencií pomenovania v jazyku Python.

Text je vhodný pre úvodný jednosemestrálny kurz aj pre pokročilejšie kurzy, pričom dôrazne nabáda študentov k precvičovaniu kódu. Každá kapitola obsahuje podrobné príklady spolu s ďalším čítaním a problémami. Všetok kód použitý na vytvorenie príkladov je k dispozícii na webovej stránke autora.