Uczenie maszynowe: Podejście teoretyczne

Opinie czytelników

Książka stanowi wczesny przegląd teoretycznego uczenia maszynowego, prezentując rozwój tej dziedziny. Jednak niektórzy czytelnicy wyrażają frustrację z powodu abstrakcyjnego podejścia i braku jasności w definicjach matematycznych.

Oferuje dobry historyczny przegląd wczesnych prac w dziedzinie uczenia maszynowego; wskazuje, w jaki sposób dziedzina ta rozwijała się w czasie.

⬤ Zawiera abstrakcyjne i zawiłe wyjaśnienia, którym może brakować logicznego przepływu
⬤ postrzegana pretensjonalność autora
⬤ nie wyjaśnia odpowiednio kluczowych pojęć matematycznych
⬤ niektórzy czytelnicy uważają, że nie przedstawia solidnych podstaw teoretycznych.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Machine Learning: A Theoretical Approach

Zawartość książki:

Jest to pierwsze kompleksowe wprowadzenie do obliczeniowej teorii uczenia się.

Jednolita prezentacja podstawowych wyników i ich zastosowań oferuje badaczom sztucznej inteligencji teoretyczne spojrzenie na badane przez nich problemy. Książka przedstawia narzędzia do analizy probabilistycznych modeli uczenia się, narzędzia, które w przejrzysty sposób klasyfikują, co jest, a co nie jest efektywnie możliwe do nauczenia.

Po ogólnym wprowadzeniu do paradygmatu PAC Valianta i ważnego pojęcia wymiaru Vapnika-Chervonenkisa, autor bada konkretne tematy, takie jak skończone automaty i sieci neuronowe. Prezentacja jest przeznaczona dla szerokiego grona odbiorców - zdolność autora do motywowania i prowadzenia dyskusji dla początkujących została doceniona przez recenzentów. Każdy rozdział zawiera liczne przykłady i ćwiczenia, a także przydatne podsumowanie ważnych wyników.

Doskonałe wprowadzenie do tej dziedziny, odpowiednie zarówno na pierwszy kurs, jak i jako element ogólnych kursów uczenia maszynowego i zaawansowanej sztucznej inteligencji. Stanowi również ważne źródło informacji dla badaczy sztucznej inteligencji.