Ocena:
Książka Alpaydina jest chwalona za jasne przedstawienie algorytmów i teorii uczenia maszynowego, dzięki czemu jest cenna dla studentów i praktyków, którzy chcą zrozumieć podstawowe koncepcje. Niektórzy czytelnicy uważają jednak, że stanowi ona wyzwanie, szczególnie dla początkujących, ze względu na jej techniczny charakter i styl pisania. Jeden z użytkowników zgłosił również błąd w druku, który wpłynął na jego wrażenia z korzystania z książki.
Zalety:⬤ Zapewnia jasne i zwięzłe wyjaśnienie kluczowych algorytmów i teorii uczenia maszynowego.
⬤ Zmienione sekcje zawierają aktualne treści dotyczące uczenia głębokiego, takie jak GAN i CNN.
⬤ Odpowiedni dla studentów i profesjonalistów chcących zrozumieć teoretyczne aspekty uczenia maszynowego.
⬤ Ogólnie łatwa w czytaniu, z prostymi wyjaśnieniami.
⬤ Niektórzy użytkownicy uznali ją za zbyt techniczną i skomplikowaną matematycznie, zwłaszcza dla początkujących.
⬤ Styl pisania może nie wyjaśniać skutecznie pojęć osobom niezaznajomionym z tematem.
⬤ Doniesienia o błędnie wydrukowanej książce, w której brakowało pierwszego rozdziału.
⬤ Krytyka za to, że jest mniej przystępna dla czytelników bez silnego zaplecza w statystyce lub teorii matematycznej.
(na podstawie 11 opinii czytelników)
Introduction to Machine Learning, Fourth Edition
Znacznie poprawione czwarte wydanie kompleksowego podręcznika, w tym nowe omówienie najnowszych osiągnięć w dziedzinie głębokiego uczenia się i sieci neuronowych.
Celem uczenia maszynowego jest zaprogramowanie komputerów do korzystania z przykładowych danych lub wcześniejszych doświadczeń w celu rozwiązania danego problemu. Uczenie maszynowe leży u podstaw tak ekscytujących nowych technologii, jak autonomiczne samochody, rozpoznawanie mowy i aplikacje tłumaczeniowe. To znacznie poprawione czwarte wydanie kompleksowego, szeroko stosowanego podręcznika uczenia maszynowego oferuje nowe omówienie najnowszych osiągnięć w tej dziedzinie, zarówno w teorii, jak i praktyce, w tym rozwoju głębokiego uczenia się i sieci neuronowych.
Książka obejmuje szeroki zakres tematów, które zwykle nie są uwzględniane w tekstach wprowadzających do uczenia maszynowego, w tym uczenie nadzorowane, bayesowską teorię decyzji, metody parametryczne, metody semiparametryczne, metody nieparametryczne, analizę wielowymiarową, ukryte modele Markowa, uczenie ze wzmocnieniem, maszyny jądrowe, modele graficzne, estymację bayesowską i testy statystyczne. Czwarta edycja oferuje nowy rozdział poświęcony głębokiemu uczeniu się, który omawia szkolenie, regularyzację i strukturyzację głębokich sieci neuronowych, takich jak konwolucyjne i generatywne sieci przeciwstawne.
Nowy materiał w rozdziale dotyczącym uczenia ze wzmocnieniem, który obejmuje wykorzystanie sieci głębokich, metod gradientu polityki i głębokiego uczenia ze wzmocnieniem.
Nowy materiał w rozdziale dotyczącym wielowarstwowych perceptronów na autoenkoderach i sieci word2vec.
Omówienie popularnej metody redukcji wymiarowości, t-SNE. Nowe dodatki zawierają materiały pomocnicze dotyczące algebry liniowej i optymalizacji. Ćwiczenia na końcu rozdziału pomagają czytelnikom zastosować poznane koncepcje. Wprowadzenie do uczenia maszynowego może być wykorzystywane na kursach dla zaawansowanych studentów studiów licencjackich i magisterskich oraz jako odniesienie dla profesjonalistów.
