Ocena:
Książka oferuje gruntowne wprowadzenie do nadzorowanego uczenia się, łącząc teoretyczne spostrzeżenia z praktycznymi przykładami i skryptami R. Niektórzy recenzenci wyrażają jednak niezadowolenie, podkreślając literówki i twierdząc, że książka nie ułatwia skutecznego uczenia się.
Zalety:⬤ Dobra teoretyczna głębia
⬤ praktyczne przykłady ze skryptami R
⬤ skuteczne ilustracje i wykresy
⬤ zaprojektowane, aby pomóc ludziom nauczyć się uczenia maszynowego.
⬤ Liczne literówki
⬤ niektórzy recenzenci uważają, że nie ułatwia nauki
⬤ mieszana ogólna skuteczność.
(na podstawie 4 opinii czytelników)
Machine Learning: A Practical Approach on the Statistical Learning Theory
Niniejsza książka przedstawia teorię statystycznego uczenia się w szczegółowy i łatwy do zrozumienia sposób, wykorzystując praktyczne przykłady, algorytmy i kody źródłowe. Może być używana jako podręcznik na kursach dyplomowych lub licencjackich, dla osób uczących się samodzielnie lub jako odniesienie w odniesieniu do głównych koncepcji teoretycznych uczenia maszynowego. Zawiera podstawowe koncepcje algebry liniowej i optymalizacji stosowane w uczeniu maszynowym, a także kody źródłowe w języku R, dzięki czemu książka jest tak samodzielna, jak to tylko możliwe.
Książka rozpoczyna się od wprowadzenia do koncepcji i algorytmów uczenia maszynowego, takich jak Perceptron, Perceptron Wielowarstwowy i Najbliżsi Sąsiedzi Ważeni Odległością wraz z przykładami, w celu zapewnienia niezbędnych podstaw, aby czytelnik był w stanie zrozumieć Dylemat Odchylenia-Wariancji, który jest centralnym punktem Statystycznej Teorii Uczenia się.
Następnie wprowadzamy wszystkie założenia i formalizujemy teorię statystycznego uczenia się, umożliwiając praktyczne badanie różnych algorytmów klasyfikacji. Następnie przechodzimy do nierówności koncentracji, aż dochodzimy do uogólnienia i granic dużego marginesu, dostarczając głównych motywacji dla maszyn wektorów nośnych.
Na tej podstawie wprowadzamy wszystkie niezbędne koncepcje optymalizacji związane z implementacją maszyn wektorów nośnych. Aby zapewnić kolejny etap rozwoju, książka kończy się dyskusją na temat jąder SVM jako sposobu i motywacji do badania przestrzeni danych i poprawy wyników klasyfikacji.