Wprowadzenie do statystycznego uczenia maszynowego

Opinie czytelników

Książka jest ogólnie dobrze przyjęta ze względu na jej pokrycie uczenia maszynowego i klasycznej statystyki, co czyni ją przydatnym źródłem zarówno dla studentów, jak i profesjonalistów. Jest ona znana ze swojego pedagogicznego podejścia, choć niektórzy recenzenci sugerują, że mogłaby skorzystać z bardziej intuicyjnych wyjaśnień.

Dobre omówienie uczenia maszynowego i klasycznej statystyki, lepsza jakość pedagogiczna w porównaniu z wieloma innymi książkami, przydatna podczas rozmów kwalifikacyjnych w dziedzinie nauki o danych i statystyki, dobrze przyjęta przez wielu użytkowników.

Brak szczegółowego omówienia w porównaniu z niektórymi specjalistycznymi tekstami, przydałoby się więcej intuicyjnych wyjaśnień przed zagłębieniem się w szczegóły matematyczne.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Introduction to Statistical Machine Learning

Zawartość książki:

Uczenie maszynowe pozwala komputerom uczyć się i rozpoznawać wzorce bez faktycznego programowania. Połączenie technik statystycznych i uczenia maszynowego stanowi potężne narzędzie do analizy różnego rodzaju danych w wielu dziedzinach informatyki/inżynierii, w tym w przetwarzaniu obrazu, przetwarzaniu mowy, przetwarzaniu języka naturalnego, sterowaniu robotami, a także w naukach podstawowych, takich jak biologia, medycyna, astronomia, fizyka i materiały.

Wprowadzenie do statystycznego uczenia maszynowego stanowi ogólne wprowadzenie do uczenia maszynowego, które obejmuje szeroki zakres tematów w zwięzły sposób i pomoże wypełnić lukę między teorią a praktyką. Część I omawia podstawowe pojęcia statystyki i prawdopodobieństwa, które są wykorzystywane w opisie algorytmów uczenia maszynowego. Część II i III wyjaśniają dwa główne podejścia do technik uczenia maszynowego: metody generatywne i metody dyskryminacyjne. Podczas gdy część III zapewnia dogłębne spojrzenie na zaawansowane tematy, które odgrywają istotną rolę w uczynieniu algorytmów uczenia maszynowego bardziej użytecznymi w praktyce. Dołączone programy MATLAB/Octave zapewniają niezbędne umiejętności praktyczne potrzebne do realizacji szerokiego zakresu zadań związanych z analizą danych.

⬤ Zapewnia niezbędny materiał do zrozumienia uczenia maszynowego, taki jak statystyka, prawdopodobieństwo, algebra liniowa i rachunek.

⬤ Pełne omówienie generatywnego podejścia do statystycznego rozpoznawania wzorców i dyskryminacyjnego podejścia do statystycznego uczenia maszynowego.

⬤ Zawiera programy MATLAB/Octave, dzięki którym czytelnicy mogą przetestować algorytmy numerycznie i zdobyć zarówno matematyczne, jak i praktyczne umiejętności w szerokim zakresie zadań analizy danych.

⬤ Omawia szeroki zakres zastosowań uczenia maszynowego i statystyki oraz podaje przykłady zaczerpnięte z przetwarzania obrazów, przetwarzania mowy, przetwarzania języka naturalnego, sterowania robotami, a także biologii, medycyny, astronomii, fizyki i materiałów.