Hodnocení:
Kniha poskytuje ucelený úvod do strojového učení s využitím jazyka Python s algoritmickým přístupem, i když trpí četnými matematickými chybami a matoucími vysvětleními. Ačkoli pokrývá širokou škálu algoritmů a je přístupná zejména pro ty, kteří nemají tak silné matematické zázemí, může zklamat pokročilejší uživatele nebo ty, kteří hledají důkladné zpracování.
Klady:⬤ Komplexní pokrytí různých algoritmů strojového učení.
⬤ Zaměření spíše na algoritmy než výhradně na aplikace.
⬤ Přístupné i pro ty, kteří mají omezené matematické dovednosti.
⬤ Obsahuje příklady kódu v jazyce Python, což je užitečné pro praktické pochopení.
⬤ Napsáno srozumitelným hovorovým stylem.
⬤ Vhodné pro úvodní kurzy.
⬤ Plná typografických i matematických chyb.
⬤ Některá vysvětlení jsou matoucí nebo nejasná.
⬤ Některé části nejsou dostatečně hluboké nebo podrobné.
⬤ Předpokládá určitou znalost jazyka Python, chybí rozsáhlé výukové programy.
⬤ Může být vhodnější jako doplňkový zdroj než samostatný text.
(na základě 35 hodnocení čtenářů)
Machine Learning: An Algorithmic Perspective, Second Edition
Osvědčený praktický přístup pro studenty bez silných statistických základů
Od vydání prvního vydání, které se stalo bestsellerem, došlo v oblasti strojového učení k několika významným změnám, včetně rostoucího počtu prací na statistické interpretaci algoritmů strojového učení. Bohužel studenti informatiky bez silného statistického základu mají často problém se v této oblasti začít orientovat.
Tento nedostatek odstraňuje kniha Machine Learning: An Algorithmic Perspective, Second Edition, která studentům pomáhá pochopit algoritmy strojového učení. Staví je na cestu ke zvládnutí příslušné matematiky a statistiky, stejně jako nezbytného programování a experimentování.
Novinka druhého vydání
⬤ Dvě nové kapitoly o hlubokých sítích víry a Gaussových procesech.
⬤ Přeorganizování kapitol tak, aby byl obsah přirozenější.
⬤ Revize materiálu o strojích s podpůrnými vektory, včetně jednoduché implementace pro experimenty.
⬤ Nový materiál o náhodných lesích, teorému konvergence perceptronu, metodách přesnosti a optimalizaci konjugovaného gradientu pro vícevrstvý perceptron.
⬤ Další diskuse o Kalmanově a částicovém filtru.
⬤ Vylepšený kód, včetně lepšího používání konvencí pro pojmenování v jazyce Python.
Text je vhodný jak pro úvodní jednosemestrální kurz, tak pro pokročilejší kurzy, a důrazně vybízí studenty k procvičování kódu. Každá kapitola obsahuje podrobné příklady spolu s další četbou a problémy. Veškerý kód použitý k vytvoření příkladů je k dispozici na autorových webových stránkách.