Strojové učenie: Praktický prístup k štatistickej teórii učenia

Recenzie čitateľov

Kniha ponúka dôkladný úvod do učenia pod dohľadom a kombinuje teoretické poznatky s praktickými príkladmi a skriptami v jazyku R. Niektorí recenzenti však vyjadrujú nespokojnosť, upozorňujú na preklepy a tvrdia, že kniha neumožňuje efektívne učenie.

⬤ Dobrá teoretická hĺbka
⬤ praktické príklady so skriptami R
⬤ efektívne ilustrácie a grafy
⬤ určené na pomoc ľuďom pri učení sa strojového učenia.

⬤ Početné preklepy
⬤ podľa niektorých recenzentov neuľahčuje učenie
⬤ celkovo zmiešaná účinnosť.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Obsah knihy:

Táto kniha podrobne a zrozumiteľne predstavuje štatistickú teóriu učenia pomocou praktických príkladov, algoritmov a zdrojových kódov. Môže sa používať ako učebnica v rámci diplomových alebo bakalárskych kurzov, pre samoukov alebo ako referencia vzhľadom na hlavné teoretické koncepcie strojového učenia. V knihe sú uvedené základné pojmy lineárnej algebry a optimalizácie aplikované na strojové učenie, ako aj zdrojové kódy v jazyku R, vďaka čomu je kniha čo najviac samostatná.

Začína sa úvodom do pojmov a algoritmov strojového učenia, ako sú perceptrón, viacvrstvový perceptrón a vzdialenostne vážený najbližší sused s príkladmi, s cieľom poskytnúť potrebný základ, aby bol čitateľ schopný pochopiť dilemu skreslenia a odchýlky, ktorá je ústredným bodom štatistickej teórie učenia.

Potom predstavíme všetky predpoklady a formalizujeme Štatistickú teóriu učenia, čo umožňuje praktické štúdium rôznych klasifikačných algoritmov. Potom pokračujeme koncentračnými nerovnosťami, až sa dostaneme k zovšeobecňujúcim a veľkorozmerným hraniciam, ktoré poskytujú hlavné motivácie pre stroje s podpornými vektormi.

Na základe toho predstavíme všetky potrebné optimalizačné koncepty súvisiace s implementáciou Support Vector Machines. S cieľom poskytnúť ďalšiu etapu vývoja sa kniha končí diskusiou o jadrách SVM ako spôsobe a motivácii na štúdium dátových priestorov a zlepšenie výsledkov klasifikácie.