Pierwszy kurs uczenia maszynowego

Opinie czytelników

Książka ta jest powszechnie uważana za solidne źródło wiedzy na temat matematyki stojącej za uczeniem maszynowym, kładąc nacisk na intuicyjne wyjaśnienia i uporządkowane podejście. Jest zalecana dla osób z podstawową znajomością koncepcji uczenia maszynowego, ale została skrytykowana za błędy typograficzne, problemy z wersją elektroniczną i formatowaniem oraz niektóre brakujące tematy. Może służyć jako solidne wprowadzenie, ale czytelnicy mogą potrzebować dodatkowych materiałów do kompleksowego zrozumienia.

⬤ Świetna do budowania intuicji na temat technik uczenia maszynowego.
⬤ Przystępne wyjaśnienia matematyczne sprawiają, że jest przyjazna dla początkujących.
⬤ Dobrze skonstruowana i logiczna organizacja.
⬤ Mocna pozycja dla tych, którzy chcą zrozumieć matematykę stojącą za ML, a nie tylko korzystać z bibliotek.
⬤ Przyjemna lektura, nawet dla osób nie będących ekspertami w ML.
⬤ Szybka wysyłka i przyzwoita jakość fizyczna.

⬤ Kilka literówek i błędów obecnych w całym tekście.
⬤ Wzory matematyczne nie wyświetlają się poprawnie w wersji elektronicznej.
⬤ Kilka krytycznych uwag dotyczących użycia przykładów Matlaba zamiast Pythona.
⬤ Cienkie strony w wersji fizycznej mogą stanowić problem dla niektórych czytelników.
⬤ Niektóre brakujące tematy, takie jak regresory SVM, wymagają od czytelnika zapoznania się z dodatkowymi zasobami.

(na podstawie 21 opinii czytelników)

Oryginalny tytuł:

A First Course in Machine Learning

Zawartość książki:

A First Course in Machine Learning autorstwa Simona Rogersa i Marka Girolamiego to najlepsza dostępna obecnie książka wprowadzająca do ML. Łączy w sobie rygor i precyzję z przystępnością, zaczynając od szczegółowego wyjaśnienia podstawowych podstaw analizy bayesowskiej w najprostszych ustawieniach i przechodzi aż do granic tematu, takich jak nieskończone modele mieszane, GP i MCMC.

--Devdatt Dubhashi, profesor, Wydział Informatyki i Inżynierii, Uniwersytet Chalmers, Szwecja.

Ten podręcznik jest łatwiejszy w czytaniu niż inne porównywalne książki na ten temat, zachowując jednocześnie wszystkie potrzebne rygorystyczne traktowanie. Nowe rozdziały stawiają go w czołówce tej dziedziny, obejmując tematy, które stały się głównym nurtem uczenia maszynowego w ciągu ostatniej dekady.

Daniel Barbara, George Mason University, Fairfax, Virginia, USA.

Nowe wydanie A First Course in Machine Learning autorstwa Rogersa i Girolamiego stanowi doskonałe wprowadzenie do wykorzystania metod statystycznych w uczeniu maszynowym. Książka wprowadza pojęcia takie jak modelowanie matematyczne, wnioskowanie i przewidywanie, zapewniając "w samą porę" niezbędne podstawy algebry liniowej, rachunku różniczkowego i teorii prawdopodobieństwa, których czytelnik potrzebuje, aby zrozumieć te pojęcia.

Daniel Ortiz-Arroyo, profesor nadzwyczajny, Uniwersytet Aalborg w Esbjerg, Dania.

Byłem pod wrażeniem tego, jak bardzo materiał jest zgodny z potrzebami kursu wprowadzającego do uczenia maszynowego, co jest jego największą siłą... Ogólnie rzecz biorąc, jest to pragmatyczna i pomocna książka, która jest dobrze dostosowana do potrzeb kursu wprowadzającego i której będę szukał dla moich własnych studentów w nadchodzących miesiącach.

David Clifton, Uniwersytet Oksfordzki, Wielka Brytania.

Już pierwsze wydanie tej książki było doskonałym tekstem wprowadzającym do uczenia maszynowego dla zaawansowanych studiów licencjackich lub magisterskich, a nawet dla każdego, kto chce poznać interesującą i ważną dziedzinę informatyki. Dodatkowe rozdziały z zaawansowanym materiałem na temat procesu Gaussa, MCMC i modelowania mieszanego stanowią idealną podstawę do praktycznych projektów, nie zakłócając bardzo jasnej i czytelnej ekspozycji podstaw zawartych w pierwszej części książki.

Gavin Cawley, starszy wykładowca, School of Computing Sciences, University of East Anglia, Wielka Brytania.

Książka ta może być wykorzystywana przez studentów pierwszego i drugiego roku studiów licencjackich lub studentów pierwszego roku studiów magisterskich, a także przez osoby, które chcą zgłębić dziedzinę uczenia maszynowego... Książka wprowadza nie tylko koncepcje, ale także podstawowe idee dotyczące implementacji algorytmów z perspektywy krytycznego myślenia.

Guangzhi Qu, Oakland University, Rochester, Michigan, USA.