Recenze čtenářů
Shrnutí:Kniha je chválena jako výjimečný zdroj informací pro výuku a pochopení konceptů strojového učení, zejména z bayesovské perspektivy. Kombinuje teorii s praktickými příklady a nabízí komplexní hloubku. Čtenáři však také upozornili na několik problémů, včetně přítomnosti překlepů, obtížnosti materiálu pro začátečníky a obav z obdržení padělaných výtisků knihy.
Klady:⬤ Vynikající referenční text pro témata strojového učení.
⬤ Hluboké porozumění dosažené díky strukturovanému učení a odkazům.
⬤ Komplexní pokrytí teoretických i praktických aspektů.
⬤ Uznávaný autor se silnými výukovými schopnostmi.
⬤ Zahrnutí odkazů na GitHub pro praktická cvičení.
⬤ Verze pro Kindle poskytuje snadný přístup k ukázkovým kódům.
Zápory:⬤ Několik překlepů a chyb v tištěných vydáních.
⬤ Kniha může být náročná pro začátečníky; vyžaduje důkladnou znalost některých matematických pojmů.
⬤ Některé části mohou být obtížně srozumitelné kvůli více autorům.
⬤ Obavy z obdržení padělaných kopií knihy.
(na základě 10 hodnocení čtenářů)
Původní název:
Probabilistic Machine Learning: Advanced Topics
Obsah knihy:
Pokročilá kniha pro výzkumné pracovníky a postgraduální studenty, kteří se zabývají strojovým učením a statistikou a chtějí se seznámit s hlubokým učením, bayesovským odvozováním, generativními modely a rozhodováním za nejistoty.
Pokročilý protějšek knihy Pravděpodobnostní strojové učení: Tato učebnice na vysoké úrovni poskytuje výzkumným pracovníkům a postgraduálním studentům podrobné pokrytí nejmodernějších témat strojového učení, včetně hlubokého generativního modelování, grafických modelů, bayesovského odvozování, posilování učení a kauzality. Tento svazek zasazuje hluboké učení do širšího statistického kontextu a sjednocuje přístupy založené na hlubokém učení s přístupy založenými na pravděpodobnostním modelování a odvozování. Díky příspěvkům špičkových vědců a odborníků na danou oblast z míst, jako jsou Google, DeepMind, Amazon, Purdue University, NYU a University of Washington, je tato rigorózní kniha nezbytná pro pochopení zásadních otázek v oblasti strojového učení.
⬤ Pokrývá generování výstupů s vysokou dimenzí, jako jsou obrázky, text a grafy.
⬤ Pojednává o metodách objevování poznatků o datech na základě modelů latentních proměnných.
⬤ Zabývá se tréninkem a testováním při různých rozděleních.
⬤ Zkoumá, jak používat pravděpodobnostní modely a odvozování pro kauzální odvozování a rozhodování.
⬤ Obsahuje online doprovodný kód v jazyce Python.
