Strojové učení: A Practical Approach on the Statistical Learning Theory (Praktický přístup ke statistické teorii učení)

Recenze čtenářů

Kniha nabízí důkladný úvod do učení pod dohledem a kombinuje teoretické poznatky s praktickými příklady a skripty v jazyce R. Někteří recenzenti však vyjadřují nespokojenost, upozorňují na překlepy a tvrdí, že kniha neumožňuje efektivní učení.

⬤ Dobrá teoretická hloubka
⬤ praktické příklady se skripty R
⬤ efektivní ilustrace a grafy
⬤ navržené tak, aby lidem pomohly učit se strojové učení.

⬤ Četné překlepy
⬤ někteří recenzenti se domnívají, že neusnadňuje učení
⬤ celkově smíšená účinnost.

(na základě 4 hodnocení čtenářů)

Původní název:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Obsah knihy:

Tato kniha podrobně a srozumitelně představuje statistickou teorii učení na praktických příkladech, algoritmech a zdrojových kódech. Může být použita jako učebnice v maturitních nebo bakalářských kurzech, pro samouky nebo jako reference s ohledem na hlavní teoretické koncepty strojového učení. Jsou zde uvedeny základní pojmy lineární algebry a optimalizace aplikované na strojové učení a zdrojové kódy v jazyce R, takže kniha je maximálně samostatná.

Začíná úvodem do konceptů a algoritmů strojového učení, jako je Perceptron, Vícevrstvý perceptron a Distance-Weighted Nearest Neighbors s příklady, s cílem poskytnout potřebný základ, aby byl čtenář schopen pochopit dilema Bias-Variance, které je ústředním bodem statistické teorie učení.

Poté představíme všechny předpoklady a formalizujeme Statistickou teorii učení, což umožní praktické studium různých klasifikačních algoritmů. Poté pokračujeme koncentračními nerovnostmi, až dospějeme k zobecnění a k hranicím velkého rozpětí, které poskytují hlavní motivaci pro stroje s podpůrnými vektory.

Na základě toho představíme všechny potřebné optimalizační koncepty související s implementací Support Vector Machines. Abychom poskytli další stupeň vývoje, končí kniha diskusí o jádrech SVM jako způsobu a motivaci ke studiu datových prostorů a zlepšení výsledků klasifikace.