Ocena:
Książka ta jest powszechnie uważana za jedno z najlepszych źródeł wiedzy na temat uczenia maszynowego, chwalone za kompleksowe omówienie, rygor matematyczny i wnikliwe wyjaśnienia. Została jednak skrytykowana za błędy typograficzne, kwestie organizacyjne i różną jakość pisania w poszczególnych rozdziałach, co czyni ją mniej odpowiednią dla początkujących.
Zalety:⬤ Bogata treść i kompleksowe omówienie tematów związanych z uczeniem maszynowym, w tym zaawansowanych technik.
⬤ Wnikliwe wyjaśnienia, które pomagają budować intuicję pojęć.
⬤ Dobrze zorganizowane, dogłębne omówienie podejść probabilistycznych.
⬤ Towarzyszące oprogramowanie jest przydatne i poprawia zrozumienie.
⬤ Dobra dla doświadczonych uczniów i badaczy szukających książki referencyjnej.
⬤ Liczne błędy typograficzne i techniczne, z których niektóre są na tyle znaczące, że utrudniają zrozumienie.
⬤ Kwestie organizacyjne, które mogą utrudniać śledzenie tekstu, z odniesieniami do przyszłych rozdziałów, które mogą dezorientować czytelników.
⬤ Niespójna jakość tekstu w różnych rozdziałach.
⬤ Zbyt abstrakcyjne dla niektórych opisów, wymagające zewnętrznych źródeł.
⬤ Niezalecana jako podstawowe źródło wiedzy dla początkujących.
(na podstawie 162 opinii czytelników)
The Machine Learning: A Probabilistic Perspective
Kompleksowe wprowadzenie do uczenia maszynowego, które wykorzystuje modele probabilistyczne i wnioskowanie jako podejście ujednolicające.
Dzisiejszy zalew danych elektronicznych w sieci wymaga zautomatyzowanych metod analizy danych. Uczenie maszynowe zapewnia je, rozwijając metody, które mogą automatycznie wykrywać wzorce w danych, a następnie wykorzystywać odkryte wzorce do przewidywania przyszłych danych. Niniejszy podręcznik oferuje kompleksowe i samodzielne wprowadzenie do dziedziny uczenia maszynowego, oparte na ujednoliconym, probabilistycznym podejściu.
Omówienie łączy w sobie obszerność i głębię, oferując niezbędny materiał podstawowy na takie tematy, jak prawdopodobieństwo, optymalizacja i algebra liniowa, a także omówienie najnowszych osiągnięć w tej dziedzinie, w tym warunkowych pól losowych, regularyzacji L1 i głębokiego uczenia się. Książka napisana jest w nieformalnym, przystępnym stylu, wraz z pseudokodem dla najważniejszych algorytmów. Wszystkie tematy są bogato ilustrowane kolorowymi obrazami i praktycznymi przykładami zaczerpniętymi z takich dziedzin zastosowań, jak biologia, przetwarzanie tekstu, widzenie komputerowe i robotyka. Zamiast dostarczać książkę kucharską z różnymi metodami heurystycznymi, książka kładzie nacisk na podejście oparte na modelach, często wykorzystując język modeli graficznych do określania modeli w zwięzły i intuicyjny sposób. Prawie wszystkie opisane modele zostały zaimplementowane w pakiecie oprogramowania MATLAB - PMTK (probabilistic modeling toolkit) - który jest swobodnie dostępny online. Książka jest odpowiednia dla studentów wyższych lat studiów licencjackich z podstawami matematyki na poziomie wprowadzającym oraz dla początkujących absolwentów studiów magisterskich.
