Procesy gaussowskie w uczeniu maszynowym

Opinie czytelników

Książka o procesach gaussowskich (GP) zebrała mieszane recenzje, z których wiele chwali jej przejrzystość, głębię i znaczenie dla uczenia maszynowego, podczas gdy niektórzy krytykują jej brak samodzielności i głębi.

⬤ Jasne i zwięzłe wyjaśnienia
⬤ cenne w kontekście uczenia maszynowego
⬤ dobrze skonstruowane rozdziały
⬤ doskonałe odniesienie do badań
⬤ zawiera dobre powiązania między GP a innymi metodami, takimi jak SVM
⬤ wysokiej jakości twarda oprawa
⬤ świetna cena.

⬤ Nie jest samodzielna, brakuje definicji niektórych pojęć
⬤ przez niektórych uważana za zbyt mało dogłębną i treściwą
⬤ wyjaśnienia mogą wydawać się zbyt uproszczone lub okrężne
⬤ niektóre skargi dotyczące opakowania.

(na podstawie 18 opinii czytelników)

Oryginalny tytuł:

Gaussian Processes for Machine Learning

Zawartość książki:

Kompleksowe i samodzielne wprowadzenie do procesów gaussowskich, które zapewniają zasadnicze, praktyczne, probabilistyczne podejście do uczenia się w maszynach jądrowych.

Procesy gaussowskie (GP) zapewniają praktyczne, probabilistyczne podejście do uczenia się w maszynach jądrowych. W ciągu ostatniej dekady procesy gaussowskie cieszyły się coraz większym zainteresowaniem w społeczności zajmującej się uczeniem maszynowym, a niniejsza książka zapewnia od dawna potrzebne systematyczne i ujednolicone podejście do teoretycznych i praktycznych aspektów procesów gaussowskich w uczeniu maszynowym. Opracowanie jest kompleksowe i samodzielne, skierowane do badaczy i studentów zajmujących się uczeniem maszynowym i statystyką stosowaną. Książka zajmuje się problemem uczenia nadzorowanego zarówno dla regresji, jak i klasyfikacji, i zawiera szczegółowe algorytmy. Przedstawiono szeroką gamę funkcji kowariancji (jądra) i omówiono ich właściwości. Wybór modelu jest omawiany zarówno z perspektywy bayesowskiej, jak i klasycznej. Omówiono wiele powiązań z innymi dobrze znanymi technikami uczenia maszynowego i statystyki, w tym z maszynami wektorów nośnych, sieciami neuronowymi, splajnami, sieciami regularyzacji, maszynami wektorów relewancji i innymi. Omówiono zagadnienia teoretyczne, w tym krzywe uczenia się i ramy PAC-Bayesian, a także kilka metod aproksymacji do uczenia się z dużymi zbiorami danych. Książka zawiera ilustrujące przykłady i ćwiczenia, a kod i zestawy danych są dostępne w Internecie.

Dodatki zawierają podstawy matematyczne i omówienie gaussowskich procesów Markowa.