Ocena:
Książka jest powszechnie chwalona jako kompleksowe i dobrze zorganizowane źródło wiedzy na temat uczenia maszynowego, w szczególności probabilistycznego uczenia maszynowego. Recenzenci doceniają wciągający styl pisania, przejrzystość i głębię treści. Kilku użytkowników zgłosiło jednak problemy z fizyczną jakością książki, w tym uszkodzenia w momencie dostawy i niską jakość papieru.
Zalety:⬤ Kompleksowe omówienie tematów związanych z uczeniem maszynowym.
⬤ Wciągające i intuicyjne wyjaśnienia złożonych pojęć.
⬤ Przydatna zarówno dla początkujących, jak i zaawansowanych czytelników.
⬤ Cenne źródło wiedzy na temat teorii ML i najnowszych osiągnięć.
⬤ Polecana dla tych, którzy chcą zapoznać się z literaturą i badaniami ML na wysokim poziomie.
⬤ Częste problemy z fizyczną jakością książek, w tym podarte okładki i uszkodzone grzbiety.
⬤ Pewne niezadowolenie z jakości druku i papieru w stosunku do ceny.
⬤ Brak rozwiązań do ćwiczeń, co rozczarowało niektórych czytelników.
⬤ Doniesienia o wadliwych egzemplarzach powodujące negatywne doświadczenia zakupowe.
(na podstawie 40 opinii czytelników)
Probabilistic Machine Learning: An Introduction
Szczegółowe i aktualne wprowadzenie do uczenia maszynowego, przedstawione przez pryzmat modelowania probabilistycznego i bayesowskiej teorii decyzji.
Książka ta oferuje szczegółowe i aktualne wprowadzenie do uczenia maszynowego (w tym głębokiego uczenia) poprzez ujednolicenie modelowania probabilistycznego i bayesowskiej teorii decyzji. Książka obejmuje podstawy matematyczne (w tym algebrę liniową i optymalizację), podstawowe uczenie nadzorowane (w tym regresję liniową i logistyczną oraz głębokie sieci neuronowe), a także bardziej zaawansowane tematy (w tym uczenie transferowe i uczenie bez nadzoru). Ćwiczenia na końcu rozdziału pozwalają uczniom zastosować to, czego się nauczyli, a dodatek obejmuje notację.
Probabilistyczne uczenie maszynowe wyrosło z książki autora z 2012 roku, Machine Learning: A Probabilistic Perspective. To coś więcej niż zwykła aktualizacja, to zupełnie nowa książka, która odzwierciedla dramatyczny rozwój w tej dziedzinie od 2012 roku, w szczególności uczenie głębokie. Ponadto nowej książce towarzyszy kod Pythona online, wykorzystujący biblioteki takie jak scikit-learn, JAX, PyTorch i Tensorflow, które można wykorzystać do odtworzenia prawie wszystkich rysunków; kod ten można uruchomić w przeglądarce internetowej za pomocą notebooków opartych na chmurze i stanowi praktyczne uzupełnienie teoretycznych tematów omawianych w książce. Po tym wprowadzającym tekście nastąpi kontynuacja, która obejmie bardziej zaawansowane tematy, przyjmując to samo podejście probabilistyczne.
