Recenze čtenářů
Shrnutí:Kniha je všeobecně považována za jeden z nejlepších zdrojů pro strojové učení a je oceňována pro své komplexní pokrytí, matematickou přesnost a pronikavá vysvětlení. Byla však kritizována za typografické chyby, organizační problémy a různou kvalitu textu v jednotlivých kapitolách, což ji činí méně vhodnou pro začátečníky.
Klady:⬤ Bohatý obsah a komplexní pokrytí témat strojového učení, včetně pokročilých technik.
⬤ Pronikavá vysvětlení, která pomáhají budovat intuici v pozadí konceptů.
⬤ Dobře organizované hloubkové zpracování pravděpodobnostních přístupů.
⬤ Doprovodný software je užitečný a zlepšuje porozumění.
⬤ Vhodné pro zkušené studenty a výzkumníky, kteří hledají referenční knihu.
Zápory:⬤ Četné typografické a technické chyby, z nichž některé jsou natolik závažné, že brání porozumění.
⬤ Organizační problémy, které mohou ztěžovat orientaci v textu, s odkazy na budoucí kapitoly, které mohou čtenáře dezorientovat.
⬤ Nekonzistentní kvalita textu v různých kapitolách.
⬤ Příliš abstraktní popisy, které vyžadují externí zdroje.
⬤ Nedoporučuje se jako primární studijní zdroj pro začátečníky.
(na základě 162 hodnocení čtenářů)
Původní název:
The Machine Learning: A Probabilistic Perspective
Obsah knihy:
Komplexní úvod do strojového učení, který využívá pravděpodobnostní modely a odvozování jako jednotící přístup.
Dnešní záplava elektronických dat na webu vyžaduje automatizované metody analýzy dat. Ty poskytuje strojové učení, které vyvíjí metody, jež dokáží automaticky odhalovat vzory v datech a následně odhalené vzory využívat k předvídání budoucích dat. Tato učebnice nabízí ucelený a samostatný úvod do oblasti strojového učení, založený na jednotném pravděpodobnostním přístupu.
Obsah kombinuje šíři a hloubku a nabízí nezbytné podklady k tématům, jako je pravděpodobnost, optimalizace a lineární algebra, a také diskusi o nejnovějším vývoji v této oblasti, včetně podmíněných náhodných polí, regularizace L1 a hlubokého učení. Kniha je psána neformálním, přístupným stylem, doplněným pseudokódem nejdůležitějších algoritmů. Všechna témata jsou bohatě ilustrována barevnými obrázky a praktickými příklady z aplikačních oblastí, jako je biologie, zpracování textu, počítačové vidění a robotika. Spíše než na kuchařku různých heuristických metod klade kniha důraz na principiální přístup založený na modelech, přičemž k jejich stručné a intuitivní specifikaci často používá jazyk grafických modelů. Téměř všechny popsané modely byly implementovány v softwarovém balíku MATLAB--PMTK (probabilistic modeling toolkit), který je volně dostupný online. Kniha je vhodná pro studenty vyšších ročníků s úvodní úrovní vysokoškolské matematiky a začínající postgraduální studenty.
