Učenie s jadierkami: Podporné vektorové stroje, regularizácia, optimalizácia a iné.

Recenzie čitateľov

Kniha poskytuje komplexný a podrobný výklad o podporných vektoroch (Support Vector Machines - SVM) a jadrových metódach, takže je vhodná pre tých, ktorí majú solídne základy v príslušných matematických disciplínach. Pre nováčikov však môže byť pre pokročilú matematiku a niektoré opomenutia v pokrytí ohromujúca.

⬤ Dôkladné pokrytie kľúčových oblastí SVM a jadrových metód
⬤ napísané uznávanými odborníkmi
⬤ rozsiahle príklady a odkazy
⬤ prehľadne usporiadané kapitoly, ktoré umožňujú nelineárne čítanie
⬤ vhodné pre postgraduálnych študentov a výskumníkov
⬤ hĺbkové matematické spracovanie teórie SVM.

⬤ Nie je vhodná pre začiatočníkov
⬤ vyžaduje si silné zázemie v oblasti funkcionálnej analýzy, pravdepodobnosti a optimalizácie
⬤ niektoré kapitoly a prílohy môžu byť pre tých, ktorí nemajú dostatočné znalosti, nedostatočné
⬤ niekoľko preklepov a chýb v tvrdeniach
⬤ kniha začína pôsobiť zastaralo, keďže sa táto oblasť vyvíja.

(na základe 19 čitateľských recenzií)

Pôvodný názov:

Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond

Obsah knihy:

Komplexný úvod do metód podporných vektorov a súvisiacich metód jadier. V 90.

rokoch 20. storočia bol na základe výsledkov štatistickej teórie učenia vyvinutý nový typ učiaceho algoritmu: Support Vector Machine (SVM). Vznikla tak nová trieda teoreticky elegantných učiacich sa strojov, ktoré využívajú ústredný koncept SVM - jadrá - na množstvo učebných úloh.

Jadrové stroje poskytujú modulárny rámec, ktorý možno prispôsobiť rôznym úlohám a doménam výberom jadrovej funkcie a základného algoritmu. Nahrádzajú neurónové siete v rôznych oblastiach vrátane inžinierstva, vyhľadávania informácií a bioinformatiky.

Učenie s jadrami poskytuje úvod do SVM a súvisiacich jadrových metód. Hoci sa kniha začína základmi, obsahuje aj najnovší výskum.

Poskytuje všetky pojmy potrebné na to, aby čitateľ vybavený základnými matematickými znalosťami mohol vstúpiť do sveta strojového učenia pomocou teoreticky dobre podložených, ale ľahko použiteľných jadrových algoritmov a pochopiť a aplikovať výkonné algoritmy, ktoré boli vyvinuté v posledných rokoch.