Strojové učenie - bayesovský a optimalizačný pohľad

Recenzie čitateľov

Kniha je dobre hodnotená ako komplexný zdroj informácií o strojovom učení, najmä z bayesovského hľadiska, s prehľadnými diagramami a rigoróznym prístupom. Čelí však kritike za nedostatočnú zrozumiteľnosť niektorých odvodení a niektorí čitatelia ju považujú za ťažkú matematiku, čo ju robí menej vhodnou ako úvodný text.

⬤ Komplexné pokrytie tém strojového učenia, najmä bayesovských metód
⬤ jasné a stručné diagramy
⬤ vhodné pre postgraduálne kurzy
⬤ kvalitná tlač
⬤ dôkladné vysvetlenia
⬤ cenná referencia pre pokročilé koncepty a najnovšie pokroky v tejto oblasti.

⬤ Nedostatočná zrozumiteľnosť niektorých matematických odvodení
⬤ nie taká užívateľsky prívetivá pre začiatočníkov
⬤ niektoré témy nemusia byť pokryté do hĺbky
⬤ obmedzené použitie farieb v diagramoch
⬤ potenciálne mätúca štruktúra v porovnaní s inými populárnymi textami.

(na základe 12 čitateľských recenzií)

Pôvodný názov:

Machine Learning - A Bayesian and Optimization Perspective

Obsah knihy:

Strojové učenie: Bayesovská a optimalizačná perspektíva, druhé vydanie poskytuje zjednocujúci pohľad na strojové učenie tým, že zahŕňa pravdepodobnostné aj deterministické prístupy založené na optimalizačných technikách v kombinácii s prístupom Bayesovskej inferencie. Kniha vychádza zo základných klasických metód až po najnovšie trendy, vďaka čomu je vhodná pre rôzne kurzy vrátane rozpoznávania vzorov, štatistického/adaptívneho spracovania signálov a štatistického/bayesovského učenia, ako aj pre krátke kurzy zamerané na riedke modelovanie, hlboké učenie a pravdepodobnostné grafické modely. Okrem toho sa časti venujú hlavným metódam strojového učenia vyvinutým v rôznych disciplínach, ako je štatistika, štatistické a adaptívne spracovanie signálov a informatika.

So zameraním na fyzikálne zdôvodnenie matematiky sú všetky rôzne metódy a techniky vysvetlené do hĺbky a podporené príkladmi a problémami, čo poskytuje študentom aj výskumníkom neoceniteľný zdroj informácií na pochopenie a aplikáciu konceptov strojového učenia.

Toto aktualizované vydanie obsahuje oveľa viac jednoduchých príkladov zo základnej teórie, kompletne prepracovanú kapitolu o neurónových sieťach a hlbokom učení a rozšírené spracovanie bayesovského učenia vrátane neparametrického bayesovského učenia.

⬤ Uvádza fyzikálne zdôvodnenie, matematické modelovanie a algoritmickú implementáciu každej metódy.

⬤ Aktualizuje najnovšie trendy vrátane riedkosti, konvexnej analýzy a optimalizácie, online distribuovaných algoritmov, učenia v RKH priestoroch, bayesovskej inferencie, grafických a skrytých Markovových modelov, časticového filtrovania, hlbokého učenia, slovníkového učenia a modelovania latentných premenných.

⬤ Uvádza prípadové štúdie na rôzne témy vrátane predpovedania skladania proteínov, optického rozpoznávania znakov, identifikácie autorstva textu, analýzy údajov fMRI, detekcie bodov zmeny, rozmiešavania hyperspektrálnych obrazov, lokalizácie cieľov a ďalších.