Strojové učení - bayesovský a optimalizační pohled

Recenze čtenářů

Kniha je dobře hodnocena jako komplexní zdroj informací o strojovém učení, zejména z bayesovské perspektivy, s přehlednými diagramy a rigorózním přístupem. Čelí však kritice za nedostatečnou srozumitelnost některých odvození a někteří čtenáři ji považují za těžkou matematiku, takže je méně vhodná jako úvodní text.

⬤ Komplexní pokrytí témat strojového učení, zejména bayesovských metod
⬤ přehledná a stručná schémata
⬤ vhodné pro postgraduální kurzy
⬤ kvalitní tisk
⬤ důkladná vysvětlení
⬤ cenná reference pro pokročilé koncepty a nejnovější pokroky v oboru.

⬤ Nedostatečná srozumitelnost některých matematických odvození
⬤ ne tak uživatelsky přívětivé pro začátečníky
⬤ některá témata nemusí být pokryta do hloubky
⬤ omezené použití barev v diagramech
⬤ potenciálně matoucí struktura ve srovnání s jinými populárními texty.

(na základě 12 hodnocení čtenářů)

Původní název:

Machine Learning - A Bayesian and Optimization Perspective

Obsah knihy:

Strojové učení: Druhé vydání přináší sjednocující pohled na strojové učení, neboť zahrnuje jak pravděpodobnostní, tak deterministické přístupy založené na optimalizačních technikách v kombinaci s bayesovským přístupem k odvozování. Kniha vychází ze základních klasických metod až po nejnovější trendy, takže je vhodná pro různé kurzy, včetně rozpoznávání vzorů, statistického/adaptivního zpracování signálů a statistického/bayesovského učení, a také pro krátké kurzy o řídkém modelování, hlubokém učení a pravděpodobnostních grafických modelech. Kromě toho se oddíly zabývají hlavními metodami strojového učení vyvinutými v různých oborech, jako je statistika, statistické a adaptivní zpracování signálů a informatika.

Všechny různé metody a techniky, které se zaměřují na fyzikální zdůvodnění matematiky, jsou vysvětleny do hloubky a podpořeny příklady a problémy, což poskytuje studentům i výzkumným pracovníkům neocenitelný zdroj informací pro pochopení a aplikaci konceptů strojového učení.

Toto aktualizované vydání obsahuje mnohem více jednoduchých příkladů ze základní teorie, kompletně přepracovanou kapitolu o neuronových sítích a hlubokém učení a rozšířené pojednání o bayesovském učení, včetně neparametrického bayesovského učení.

⬤ Představuje fyzikální zdůvodnění, matematické modelování a algoritmickou implementaci každé metody.

⬤ Aktualizuje nejnovější trendy, včetně řídkosti, konvexní analýzy a optimalizace, online distribuovaných algoritmů, učení v RKH prostorech, bayesovské inference, grafických a skrytých Markovových modelů, částicového filtrování, hlubokého učení, slovníkového učení a modelování latentních proměnných.

⬤ Uvádí případové studie na různá témata, včetně predikce skládání proteinů, rozpoznávání optických znaků, identifikace autorství textu, analýzy dat fMRI, detekce změnových bodů, rozmixování hyperspektrálních obrazů, lokalizace cílů a dalších.