Uczenie się z jądrami: Maszyny wektorów nośnych, regularyzacja, optymalizacja i nie tylko

Opinie czytelników

Książka zapewnia kompleksową i szczegółową eksplorację maszyn wektorów nośnych (SVM) i metod jądrowych, dzięki czemu jest odpowiednia dla osób z solidnym doświadczeniem w odpowiednich dyscyplinach matematycznych. Może być jednak przytłaczająca dla nowicjuszy ze względu na zaawansowaną matematykę i pewne pominięcia.

⬤ Dokładne omówienie kluczowych obszarów SVM i metod jądrowych
⬤ napisana przez uznanych ekspertów
⬤ obszerne przykłady i referencje
⬤ dobrze zorganizowane rozdziały, które pozwalają na nieliniowe czytanie
⬤ odpowiednia dla studentów i naukowców
⬤ dogłębne matematyczne traktowanie teorii SVM.

⬤ Nie nadaje się dla nowicjuszy
⬤ wymaga solidnego przygotowania w zakresie analizy funkcjonalnej, prawdopodobieństwa i optymalizacji
⬤ niektóre rozdziały i dodatki mogą być niewystarczające dla osób bez odpowiedniej wiedzy
⬤ kilka literówek i błędów w twierdzeniach
⬤ książka zaczyna wydawać się przestarzała wraz z rozwojem dziedziny.

(na podstawie 19 opinii czytelników)

Oryginalny tytuł:

Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond

Zawartość książki:

Kompleksowe wprowadzenie do maszyn wektorów nośnych i powiązanych metod jądrowych. W latach 90.

opracowano nowy typ algorytmu uczenia się, oparty na wynikach statystycznej teorii uczenia się: maszynę wektorów nośnych (SVM). Dało to początek nowej klasie teoretycznie eleganckich maszyn uczących się, które wykorzystują centralną koncepcję SVM - jądra - do wielu zadań uczenia się. Maszyny jądra zapewniają modułową strukturę, którą można dostosować do różnych zadań i dziedzin poprzez wybór funkcji jądra i algorytmu bazowego.

Zastępują one sieci neuronowe w różnych dziedzinach, w tym w inżynierii, wyszukiwaniu informacji i bioinformatyce. Learning with Kernels stanowi wprowadzenie do SVM i powiązanych metod jądrowych.

Chociaż książka zaczyna się od podstaw, zawiera również najnowsze badania. Zawiera wszystkie koncepcje niezbędne do tego, aby czytelnik wyposażony w podstawową wiedzę matematyczną mógł wejść w świat uczenia maszynowego przy użyciu teoretycznie dobrze uzasadnionych, ale łatwych w użyciu algorytmów jądrowych oraz zrozumieć i zastosować potężne algorytmy, które zostały opracowane w ciągu ostatnich kilku lat.