Recenze čtenářů
Shrnutí:Kniha je široce oceňována jako komplexní a dobře strukturovaný zdroj informací pro pochopení strojového učení, zejména pravděpodobnostního ML. Recenzenti oceňují poutavý styl psaní, srozumitelnost a hloubku obsahu. Několik uživatelů však hlásilo problémy s fyzickou kvalitou knihy, včetně poškození při doručení a špatné kvality papíru.
Klady:⬤ Komplexní pokrytí témat strojového učení.
⬤ Poutavé a intuitivní vysvětlení složitých pojmů.
⬤ Užitečné pro začátečníky i pokročilé čtenáře.
⬤ Cenný zdroj informací pro pochopení teorie ML a nejnovějších pokroků.
⬤ Doporučeno pro ty, kteří se chtějí zabývat literaturou a výzkumem ML na vysoké úrovni.
Zápory:⬤ Časté problémy s fyzickou kvalitou knihy, včetně potrhaných obálek a poškozených hřbetů.
⬤ Určitá nespokojenost s kvalitou tisku a papíru vzhledem k ceně.
⬤ Žádná řešení cvičení, což některé čtenáře zklamalo.
⬤ Zprávy o vadných výtiscích, které vytvářejí negativní zkušenosti s nákupem.
(na základě 40 hodnocení čtenářů)
Původní název:
Probabilistic Machine Learning: An Introduction
Obsah knihy:
Podrobný a aktuální úvod do strojového učení, prezentovaný sjednocující optikou pravděpodobnostního modelování a bayesovské teorie rozhodování.
Tato kniha nabízí podrobný a aktuální úvod do strojového učení (včetně hlubokého učení) prostřednictvím sjednocující optiky pravděpodobnostního modelování a bayesovské teorie rozhodování. Kniha zahrnuje matematické základy (včetně lineární algebry a optimalizace), základní učení pod dohledem (včetně lineární a logistické regrese a hlubokých neuronových sítí) i pokročilejší témata (včetně učení s přenosem a učení bez dohledu). Cvičení na konci kapitol umožňují studentům aplikovat získané poznatky a v příloze je popsána notace.
Pravděpodobnostní strojové učení vzniklo na základě autorovy knihy Machine Learning z roku 2012: A Probabilistic Perspective. Tato kniha je více než pouhou aktualizací zcela novou knihou, která odráží dramatický vývoj v této oblasti od roku 2012, především hluboké učení. Nová kniha je navíc doplněna online kódem v jazyce Python, využívajícím knihovny jako scikit-learn, JAX, PyTorch a Tensorflow, který lze použít k reprodukci téměř všech obrázků; tento kód lze spustit uvnitř webového prohlížeče pomocí cloudových notebooků a poskytuje praktický doplněk teoretických témat probíraných v knize. Po tomto úvodním textu bude následovat pokračování, které se bude zabývat pokročilejšími tématy a bude využívat stejný pravděpodobnostní přístup.
