Ocena:
Książka jest dobrze oceniana jako kompleksowe źródło wiedzy na temat uczenia maszynowego, szczególnie z perspektywy bayesowskiej, z przejrzystymi diagramami i rygorystycznym podejściem. Jest jednak krytykowana za brak jasności w niektórych pochodnych, a niektórzy czytelnicy uważają ją za ciężką matematykę, co czyni ją mniej odpowiednią jako tekst wprowadzający.
Zalety:⬤ Kompleksowe omówienie tematów związanych z uczeniem maszynowym, w szczególności metod bayesowskich
⬤ przejrzyste i zwięzłe diagramy
⬤ odpowiednie dla kursów podyplomowych
⬤ wysokiej jakości druk
⬤ dokładne wyjaśnienia
⬤ cenne odniesienie do zaawansowanych koncepcji i najnowszych osiągnięć w tej dziedzinie.
⬤ Brak jasności w niektórych wywodach matematycznych
⬤ nie tak przyjazny dla początkujących
⬤ niektóre tematy mogą nie być dogłębnie omówione
⬤ ograniczone użycie kolorów na diagramach
⬤ potencjalnie myląca struktura w porównaniu z innymi popularnymi tekstami.
(na podstawie 12 opinii czytelników)
Machine Learning - A Bayesian and Optimization Perspective
Machine Learning: A Bayesian and Optimization Perspective, Second Edition przedstawia ujednoliconą perspektywę uczenia maszynowego, obejmując zarówno probabilistyczne, jak i deterministyczne podejścia oparte na technikach optymalizacji w połączeniu z podejściem bayesowskim. Książka opiera się na podstawowych metodach klasycznych i najnowszych trendach, dzięki czemu nadaje się do różnych kursów, w tym rozpoznawania wzorców, statystycznego / adaptacyjnego przetwarzania sygnałów i uczenia statystycznego / bayesowskiego, a także krótkich kursów na temat modelowania rzadkiego, głębokiego uczenia się i probabilistycznych modeli graficznych. Ponadto sekcje obejmują główne metody uczenia maszynowego opracowane w różnych dyscyplinach, takich jak statystyka, statystyczne i adaptacyjne przetwarzanie sygnałów oraz informatyka.
Koncentrując się na fizycznym uzasadnieniu matematyki, wszystkie różne metody i techniki są dogłębnie wyjaśnione i poparte przykładami i problemami, co stanowi nieocenione źródło informacji zarówno dla studentów, jak i badaczy w celu zrozumienia i zastosowania koncepcji uczenia maszynowego.
To zaktualizowane wydanie zawiera o wiele więcej prostych przykładów dotyczących podstawowej teorii, całkowite przepisanie rozdziału dotyczącego sieci neuronowych i głębokiego uczenia się oraz rozszerzone podejście do uczenia bayesowskiego, w tym nieparametrycznego uczenia bayesowskiego.
⬤ Przedstawia fizyczne uzasadnienie, modelowanie matematyczne i algorytmiczną implementację każdej metody.
⬤ Aktualizacje dotyczące najnowszych trendów, w tym rzadkości, analizy wypukłej i optymalizacji, algorytmów rozproszonych online, uczenia się w przestrzeniach RKH, wnioskowania bayesowskiego, graficznych i ukrytych modeli Markowa, filtrowania cząstek, głębokiego uczenia się, uczenia słownikowego i modelowania zmiennych ukrytych.
⬤ Zawiera studia przypadków dotyczące różnych tematów, w tym przewidywania fałdowania białek, optycznego rozpoznawania znaków, identyfikacji autorstwa tekstu, analizy danych fMRI, wykrywania punktów zmian, niemieszania obrazów hiperspektralnych, lokalizacji celów i innych.