Úvod do strojového učení, čtvrté vydání

Recenze čtenářů

Alpaydinova kniha je oceňována pro srozumitelný výklad algoritmů a teorií strojového učení, takže je cenná pro studenty i odborníky z praxe, kteří chtějí porozumět základním konceptům. Pro některé čtenáře je však náročná, zejména pro začátečníky, a to kvůli její technické povaze a stylu psaní. Jeden uživatel také uvedl problém s chybou v tisku, který ovlivnil jeho zkušenosti s knihou.

⬤ Poskytuje jasné a stručné vysvětlení klíčových algoritmů a teorií strojového učení.
⬤ Přepracované části zahrnují aktuální obsah o hlubokém učení, jako jsou GAN a CNN.
⬤ Vhodné pro studenty a odborníky, kteří chtějí porozumět teoretickým aspektům strojového učení.
⬤ Obecně se snadno čte a obsahuje jednoduchá vysvětlení.

⬤ Někteří uživatelé ji považovali za příliš technickou a matematicky náročnou, zejména pro začátečníky.
⬤ Styl psaní nemusí účinně vysvětlovat pojmy těm, kteří se v dané problematice nevyznají.
⬤ Zprávy o špatně vytištěné knize, ve které chybí první kapitola.
⬤ Kritika za to, že je méně přístupná pro čtenáře bez silných znalostí statistiky nebo matematické teorie.

(na základě 11 hodnocení čtenářů)

Původní název:

Introduction to Machine Learning, Fourth Edition

Obsah knihy:

Podstatně přepracované čtvrté vydání komplexní učebnice, včetně nového pokrytí nedávných pokroků v oblasti hlubokého učení a neuronových sítí.

Cílem strojového učení je naprogramovat počítače tak, aby k řešení daného problému využívaly příkladová data nebo minulé zkušenosti. Strojové učení je základem takových zajímavých nových technologií, jako jsou samořídící automobily, rozpoznávání řeči a překladatelské aplikace. Toto podstatně přepracované čtvrté vydání komplexní a široce používané učebnice strojového učení nabízí nové pokrytí nedávných pokroků v oboru v teorii i praxi, včetně vývoje v oblasti hlubokého učení a neuronových sítí.

Kniha pokrývá širokou škálu témat, která nejsou obvykle zahrnuta v úvodních učebních textech strojového učení, včetně učení pod dohledem, bayesovské teorie rozhodování, parametrických metod, semiparametrických metod, neparametrických metod, vícerozměrné analýzy, skrytých Markovových modelů, posilování učení, jaderných strojů, grafických modelů, bayesovského odhadu a statistického testování. Čtvrté vydání nabízí novou kapitolu o hlubokém učení, která pojednává o trénování, regularizaci a strukturování hlubokých neuronových sítí, jako jsou konvoluční a generativní adverzní sítě.

Nový materiál v kapitole o posilování učení, která zahrnuje použití hlubokých sítí, metody gradientu politiky a hluboké posilování učení.

Nový materiál v kapitole o vícevrstvých perceptronech na autoenkodérech a síti word2vec.

A diskuse o populární metodě redukce dimenzionality, t-SNE. Nové dodatky nabízejí základní materiál o lineární algebře a optimalizaci. Cvičení na konci kapitol pomáhají čtenářům aplikovat naučené koncepty. Knihu Úvod do strojového učení lze využít v kurzech pro pokročilé studenty bakalářského a magisterského studia i jako příručku pro odborníky.